ORB (Oriented FAST and Rotated BRIEF)
分为两部分：
- 特征点提取 -由FAST（Features from Accelerated Segment Test）算法发展来的
- 特征点描述 -根据BRIEF（Binary Robust IndependentElementary Features）特征描述算法改进的
具体不详述，数学原理对我来说需要一段时间去理解消化，网上的相关的介绍也很多。这里先从实例开始，学习怎么用这个工具。
ORB特征提取实验
基于opencv3.2.0的ORB特征提取试验
import numpy as np
import cv2
img1 = cv2.imread("data/face1.jpg",0)#导入灰度图像
img2 = cv2.imread("data/face2.jpg",0)
def drawMatches(img1, kp1, img2, kp2, matches):
rows1 = img1.shape[0]
cols1 = img1.shape[1]
rows2 = img2.shape[0]
cols2 = img2.shape[1]
out = np.zeros((max([rows1,rows2]),cols1 + cols2, 3),dtype = 'uint8')
#拼接图像
out[:rows1, :cols1] = np.dstack([img1, img1,img1])
out[:rows2, cols1:] = np.dstack([img2, img2,img2])
for mat in matches:
img1_idx = mat.queryIdx
img2_idx = mat.trainIdx
(x1,y1) = kp1[img1_idx].pt
(x2,y2) = kp2[img2_idx].pt
#绘制匹配点
cv2.circle(out, (int(x1),int(y1)),4,(255,255,0),1)
cv2.circle(out,(int(x2)+cols1,int(y2)),4,(0,255,255),1)
cv2.line(out,(int(x1),int(y1)),(int(x2)+cols1,int(y2)),(255,0,0),1)
return out
detector = cv2.ORB_create()
kp1 = detector.detect(img1,None)
kp2 = detector.detect(img2,None)
kp1,des1 = detector.compute(img1,kp1)
kp2,des2 = detector.compute(img2,kp2)
bf = cv2.BFMatcher(cv2.NORM_HAMMING,crossCheck = True)
matches = bf.match(des1,des2)
img3 = drawMatches(img1,kp1,img2,kp2,matches[:50])
# img3 = cv2.drawKeypoints(img1,kp,None,color = (0,255,0),flags = 0)
cv2.imwrite("orbTest.jpg",img3)
cv2.imshow('orbTest',img3)
cv2.waitKey(0)
实验结果：
orbResult.jpg
然后也可以对比下AKAZE，只要将改成
detector = cv2.ORB_create()
改成
detector = cv2.AKAZE_create()
效果图：
orbResult_akaze.jpg
可以看出，AKAZE配对正确的数量大于ORB。
关于AKAZE和orb的比较，可以参考文章：
http://www.epacis.net/ccis2016/papers/paper_121.pdf
这里复习了一下Python特性之切片，在拼接图片时用到了：
例如：
list[1:3]，表示返回从位置1开始，包括位置2，但是停止在位置3的一个序列切片，因此返回一个含有两个项目的切片。
out[:rows1, :cols1] 行：从0开始，到rows1之前；列：从0开始，到cols1之前
out[:rows2, cols1:] 行：从0开始，到rows2之前；列：从cols1开始，到最后
补充说明：
在opencv2中， orb = cv2.ORB ()是对的；
在opencv3中这样会报错，改成orb = cv2.ORB_create()就没问题了。
