ORB特征：FAST、DRIEF、Harris角点

FAST特征

FAST特征的提出主要是针对工程中对于特征点提取的高实时性的要求，提高特征点提取的速度。全称为：Features From Accelerated Segment Test。FAST角点的定义为：若某像素与其周围领域内足够多的像素点处于不同的区域，则该像素点可能是角点。例如，考虑灰度图像，若该点的灰度值比其周围领域内足够多的像素点的灰度值大或者小，则该点可能为角点。

1. 图片中选择一个像素$p$，将其亮度值设为$I_p$；
2. 设定一个合适的阈值$T$；
3. 考虑以该像素点为中心的一个半径等于3个像素的离散化的圆，该圆形的边界上有16个像素；
4. 如果在这个圆上有$n$个连续的像素点，它们的像素值符合都比$I_p+t$大或者都比$I_p-t$小，那么它就是一个角点。$n$的值可以设置为12或者9，实验证明9更好一点。

为了提高角点检测的速度，上述步骤中$n$个连续像素点的判断优化为：判断16个像素点中第1,5，9,13个点的阈值特点，先看1,9是否同时大于或者小于阈值，然后再判断5或13；如果一个点是角点，则必须有至少3个都大于或者小于阈值。使用该方法对角点进行初步筛选（避免所有的点进行整圆检测，提高了效率），然后再进行整个圆上的检测。高效的同时，也存在缺点：

1. $n<12$时不能使用快速过滤非角点；
2. 角点可能不是最优的，取决于问题的排序与角点的分布；
3. 对于角点分析的结果被丢弃；
4. 多个特征点挤在一起。

对于缺点1-3：使用决策树实现一个角点分类器——具体实现的时候是用的决策树么？
对于缺点4，相邻位置取得多个特征点，使用非极大值抑制解决：为每一个检测到的特征点计算它的响应大小$V$，这里的$V$定义为$p$和周围16个像素的绝对偏差的和。比较相邻的特征点的$V$值，并删除$V$值小的特征点。

BRIEF特征描述符

该描述符提供一个计算二值串的捷径

1. 平滑图像。
2. 在特征点周围选择一个块，在块内选择$n_d$个点对。
3. 对于每一个点对$(p,q)$，比较两个点的亮度值，如果$I(p)>I(q)$，生成二值串中的1，若$I(p)<I(q)$，二值串对应为-1，否则就为0。比较完所有的$n_d$个点对后，就获得了一个长度为 n d n_d