1.（四十三）特征点检测-LBP
2.如何评价ORB-SLAM3？
3.ORBSLAM系列|ORB-SLAM论文带读（一）（划重点）
4.深度科普：ORB-SLAM3论文重点导读及整体算法流程梳理
5.ORB特征提取与匹配
6.视觉SLAMORB-SLAM：让人Orz的特特征SLAM

（四十三）特征点检测-LBP

       时间为友，记录点滴。征源

       特征点检测领域并非只有一种算法，特特征大神们总能带来新颖的征源想法。虽然不可能掌握所有算法，特特征但有些思路是征源刷名片源码值得借鉴的。

       比如SIFT就是特特征一个宝库，总能给我们带来启发。征源

       既然已经了解了Harris、特特征SIFT、征源FAST等特征检测算法，特特征以及特征点的征源定义和评判标准，那么我们就来探讨LBP如何在特征检测领域脱颖而出。特特征

       思考一下特征点的征源优良性质：

       什么是LBP？

       LBP（Local Binary Pattern，局部二值模式）是特特征一种描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著优点。由T. Ojala、M. Pietikäinen和D. Harwood在年提出，用于纹理特征提取。它提取的是图像的局部纹理特征；

       它是如何实现的？

       首先谈谈原始LBP算子：

       通过比较3*3邻域内的8个点，可以得到8位二进制数（通常转换为十进制数即LBP码，共种，即2 Byte），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。

       虽然简单，但略显简陋（是不是与FAST算子有些类似）。这个LBP算子显然不能表示优良特征点，英雄联盟cd源码还好它出现的早（），所以后人对LBP做了很多优化，使其满足尺度不变、旋转不变、光照不变。

       尺度不变：

       无论是SIFT还是ORB，要做到尺度不变，我们通常采用金字塔扩展到多尺度空间，但LBP有它独特的方法。

       在原始的LBP中，我们选择的是以目标点为中心，3x3的8邻域，经历过FAST的我们很容易想到半径的概念。那么3x3代表的就是以目标点为圆心，半径为1的邻域，如果我们把半径扩展一下会怎么样呢？

       Ojala等人对LBP算子进行了改进，将3×3邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，改进后的LBP算子允许在半径为R的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子；

       这种情况下，对应黑点像素可能不是整数，要得到该点准确的像素值，必须对该点进行插值计算才能得到该点像素值，常见的插值方式为双线性插值或者立方插值。

       这种思路有点像“山不转，水转；水不转，人转”；

       旋转不变性：

       Maenpaa等人又将LBP算子进行了扩展，股票obv指标源码提出了具有旋转不变性的LBP算子，即不断旋转圆形邻域得到一系列初始定义的LBP值，取其最小值作为该邻域的LBP值。

       举一个具体的例子：下图所示的8种LBP模式，经过旋转不变的处理，最终得到的具有旋转不变性的LBP值为。也就是说，图中的8种LBP模式对应的旋转不变的LBP模式都是。

       光照不变：

       从LBP的差值计算可以看出，LBP本身就具有光照不变的特性（灰度值按比例缩放，强者恒强），但是我们可以引入权重概念，计算LBP码和对比度。

       好了，LBP就这么多。是不是感觉SIFT/ORB后什么都简单了些？

       在网上搜了个Python实现的LBP，实验了下，贴在这里：

       Python

       惯例，OpenCV早就给我们提供了LBP的算子，而且可以结合FaceDetect来用，

       C++

       1、lbpcascade_frontalface_improved文件我使用的是我们自己编译出来的，在Binfile\install\etc\lbpcascades目录下（你可以用everything搜索一下，OpenCV源码中也有提供） 2、今天我们首次使用了CascadeClassifier，这个我觉得有必要在后面详细解释一下。用OpenCV做人脸检测简直简单得不要不要的语言源码怎么保存。

如何评价ORB-SLAM3？

       我觉得 ORB-SLAM3 系统是基于之前的 ORB-SLAM2、ORB-SLAM-VI 进行扩展。作者组的工作一脉相承，围绕着 ORB feature-based SLAM 做了非常多有重大意义的工作。本文其中在一些重要改进模块，如 IMU 初始化、multi-map system 等，是作者组里前几年的工作。我认为这是一篇更加偏向于系统性质的文章，把这么多工作串了起来，并且作者非常慷慨的把它开源了出来，非常赞！

ORBSLAM系列|ORB-SLAM论文带读（一）（划重点）

       本文介绍了一种名为ORB-SLAM的新型单目SLAM系统，该系统在各种环境条件下都能实时运行。ORB-SLAM具有鲁棒性，支持宽基线回环和重定位，并且提供全自动初始化。系统的核心设计是基于相同的特征用于跟踪、建图、重定位和回环，这使得系统高效、简单且可靠。ORB特征因其对视角和光照变化的鲁棒性而被采用，允许在不依赖GPU的情况下实现实时性能。系统在大环境下的实时运行能力归功于共视图的使用，跟踪和建图着重于局部共视区域，与全局地图尺寸无关。openssl编译源码教程实时回环检测通过基于位姿图（本质图）的优化实现，而实时重定位则支持从跟踪失败中恢复位姿，并增强地图重用性。系统还引入了一种新的基于模型选择的自动且鲁棒的初始化过程，允许创建平面和非平面场景的初始化地图。一种针对地图点和关键帧选择的适者生存策略提高了跟踪的鲁棒性，并且减少了冗余关键帧，增强了长时间运行的能力。

       ORB-SLAM在广泛评估中证明了其优越性，特别是在室内和室外环境的主流公开数据集上的评估。与最先进的单目SLAM方法相比，ORB-SLAM实现了前所未有的性能。系统被设计为完整且可靠，提供了一种最高效、精确且易于实施的解决方案。出于造福SLAM社区的目的，源代码已公开，以便其他研究者和开发者能够利用和改进这一系统。演示视频和代码可以在项目网页上找到。

深度科普：ORB-SLAM3论文重点导读及整体算法流程梳理

       本文将深入解读ORB-SLAM3的关键特点和整体算法流程，它革新了视觉和视觉惯性SLAM系统。首先，ORB-SLAM3作为首个实现短期、中期、长期数据关联的单目和双目系统，显著优于同类技术，尤其在实时性和准确性方面，其性能是其他方法的2-倍。

       通过几何和局部一致性检查，召回率提高，地图准确性增强。

       使用Atlas结构表示断开地图，实现位置识别、相机重定位等操作时的无缝拼合。

       抽象的相机表示允许灵活支持不同相机模型，只需提供投影、非投影和雅可比函数。

       ORB-SLAM3系统由几个核心组件组成，包括活跃地图的跟踪线程、局部建图线程以及回环和地图合并线程。系统利用ORB-SLAM2和ORB-SLAM-VI作为基础，通过IMU初始化技术，支持单目和立体惯性SLAM。

       跟踪线程负责实时定位和建图，利用视觉和惯性信息进行优化。

       局部建图线程在关键帧区域进行地图构建和优化，利用IMU参数进行最大后验估计。

       回环和地图合并线程通过因子图处理地图的融合和回环检测，确保地图的精度和一致性。

       在视觉-惯导SLAM中，系统不仅估计相机位姿，还涉及速度、惯性传感器偏置等。通过将视觉和惯性信息结合，形成一个最小化问题，通过因子图表示优化过程。

       ORB-SLAM3的源码解析和实际应用将随后进行，对视觉惯性导航和多地图SLAM有兴趣的读者不容错过。

ORB特征提取与匹配

       本文主要回顾了ORB特征提取的过程，并解决了个人对这一主题的疑惑，但未深入探讨OpenCV源码，原因在于个人懒于解析。文章参考了高翔的《视觉SLAM十四讲》和相关opencv实现，欢迎读者指正错误。

       好的特征点在于其显著性和匹配的准确性。角点特征，如E和F，因其特征明显，是理想的匹配对象。ORB算法采用OFAST快速提取这些特征点，下面将介绍OFAST和Oriented FAST的原理。

       OFAST角点检测基于亮度变化，例如，如果圆周上的连续个点亮度超过或低于特定阈值，像素可能被识别为特征点。Oriented FAST在此基础上增加方向信息，以保持旋转不变性。

       图像金字塔通过高斯模糊和降采样处理，解决了尺度不变性问题，确保不同尺度下的角点特征能准确匹配。接下来是BRIEF描述子，ORB算法使用的改进BRIEF描述特征，通过二进制编码存储角点邻域信息，以便判断匹配性。

       特征方向与BRIEF描述子的结合，保证了旋转不变性。尽管旋转后BRIEF描述子会发生变化，但根据角点方向调整pattern，可以恢复旋转前的状态。

       总的来说，ORB特征提取包括角点检测、方向信息添加、尺度不变性处理以及BRIEF描述子编码，这些步骤共同确保了特征点的稳定性和匹配效率。通过《视觉SLAM十四讲》的实例，我们可以理解并应用这些技术。

视觉SLAMORB-SLAM：让人Orz的SLAM

       ORB-SLAM，在视觉SLAM领域享有盛誉，其源码在GitHub上已有4.4K+Star，充分彰显了西班牙小哥的出色贡献。近期深入研究其论文并结合源码，体验了一番酸爽，发现它在SLAM领域确实有着独特的魅力与贡献。

       ORB-SLAM的核心框架由三个并发进程组成：跟踪、局部建图和回环检测，系统结构清晰，功能分明。跟踪是主进程，负责定位和跟踪相机运动，通过特征匹配实现定位与优化。局部建图则负责关键帧与地图点的插入、删除及局部优化。回环检测则通过搜索回环关键帧，实现位姿图优化，确保系统鲁棒性。

       特征提取是ORB-SLAM的关键之一，它采用ORB特征，兼顾性能与效率。与SURF、SIFT等相比，ORB提取速度快，每张仅需.3ms，适用于实时操作。ORB在FAST角点基础上加入方向信息，使BRIEF描述子旋转不变，同时利用图像金字塔和灰度质心法提取特征，实现尺度不变性。此外，通过网格划分与四叉树结构，ORB-SLAM确保特征点分布均匀，即使特征点不足，也可通过调整FAST阈值增加。

       单目初始化是ORB-SLAM的另一大亮点，它通过特征点匹配计算基础矩阵和单应矩阵，自动判断场景类型，无需人工设定模型。共视图与本质图结构则加强了关键帧间的联系，实现高效回环检测。相机重定位策略确保了系统在跟踪失败时能快速恢复，关键帧与地图点的删增策略则优化了系统性能。

       ORB-SLAM提供多样化的Bundle Adjustment方式，包括初始化阶段的全BA、跟踪过程的运动BA及局部建图阶段的局部BA，适应不同场景需求。整个系统庞大复杂，通过总结主要特性，虽有其精髓，但仍需深入研究，以充分理解其工作原理与优化策略。

       总之，ORB-SLAM在视觉SLAM领域展现出了其独特魅力与贡献，从其高效的特征提取到灵活的系统框架，再到多样化的优化策略，无不体现其在SLAM技术中的卓越地位。向所有SLAM领域的先驱者致以崇高的敬意。