理论
关于ORB最重要的事情是它是OpenCV实验室出来的，它在计算成本，匹配性能上是SIFT和SURF很好的替代品，还有最主要的，专利，对，SIFT和SURF都是有专利的，你得付费试用，但是ORB不是
ORB基本上是一个FAST关键点检测和BRIEF描述子的融合，同时做了很多修改提高了性能。首先它使用FAST来找关键点，然后用Harris角点测量来找到头N个点。还使用金字塔来产生多层级特征，但是问题是FAST不计算方向，所以旋转不变呢？作者做了如下修改。
它计算定位的角点小块质心的亮度权重，这个角点到质心的向量的方向就是方向，要改进旋转不变，通过x和y计算应该在圆形区域的半径r，r是这小块的大小。
现在对于描述子，ORB使用BRIEF描述子，但是我们已经看到了BRIEF对旋转处理很差，所以ORB做的是按关键点的方向引导BRIEF。对于任何位置(xi, yi)的n个二进制测试的特征集合。定义一个2xn的矩阵，S包含这些像素的坐标，然后使用方块的方向θ，它的旋转矩阵被找到，并旋转S得到旋转后的Sθ.
ORB把角度离散成2π/30(12度），构建一个预计算BRIEF模式的查找表，只要关键点方向θ，Sθ的正确集合就会被用来计算它的描述子。
BRIEF有一个重要的属性，每个位特征有一个大的变化，差接近0.5.但是当他和关键点方向一致，它丢失了这个属性变得更加分散。高不一致使得一个特征值更加有区分姓，因为他对输入的响应更加多样。另一个想要的属性是有不相关测试，因为每个测试会对结果有贡献，要解决这个，ORB使用一个贪婪搜索所有可能的二进制测试来找既有高不一致并且差接近0.5的，如果不相关，结果就被叫做rBRIEF。
对于匹配的描述子，使用了多探针LSH提高传统的LSH。论文说ORB比SURF和SIFT都快很多并且ORB描述子做的也比SURF好。ORB是一个低性能设备做全景拼接的好选择
OpenCV里的ORB
和通常一样，我们需要用函数cv2.ORB()建立一个ORB对象，或者使用一个feature2d通用接口。有很多可选参数据，最有用的一个是nFeature，用来指明要保留的特征值的最大数量（默认是500）。scoreType指明是Harris分数或者FAST分数来给特征评分（默认是Harris分数）。另一个参数WTA_K决定要产生有方向的BRIEF描述子的每个元素的点的数量。默认是2，一次选择两个点。对于匹配，使用NORM_HAMMING距离，如果WTA_K是3或者4，会取3或者4个点来产生BRIEF描述子，然后匹配距离是NORM_HAMMING2.
import numpy as np
import cv2
from matplotlib import pyplot as pltimg = cv2.imread('simple.jpg',0)
# Initiate STAR detector
orb = cv2.ORB()# find the keypoints with ORB
kp = orb.detect(img,None)# compute the descriptors with ORB
kp, des = orb.compute(img, kp)# draw only keypoints location,not size and orientation
img2 = cv2.drawKeypoints(img,kp,color=(0,255,0), flags=0)
plt.imshow(img2),plt.show()
结果：
END
