ORB paper

ORB(Oriented FAST and Rotated BRIEF)

 

Abstract

ORB는 BRIEF를 base로 한 방법으로 rotation에 robust하며 SIFT보다 빠르다.

 

Intoduction

SIFT는 계산량이 많아 실시간 사용 어렵고 SURF나 GPU연산이 대안이 됐다.

논문은 성능은 비슷하고 속도는 훨씬 빠른 ORB를 소개한다(GPU연산 안함)

Fast에 방향성을 BRIEF에 회전을 추가한 방법이다.

 

Related Work

Keypoints: FAST는 실시간 시스템의 keypoints 검출에 쓰이는 방법 중 하나로 효율적이며, scale에대한 pyramid schemes를 사용한다. 여기서 Harris corner의 reasonable score를 활용해 edge를 filtering한다.

방향성은 centroid technique를 사용해 해결한다.

 

Descriptor: BRIEF는  단순한 이진화로 이미지 patch에 적용하지만 rotation에 취약하다.

 

ORB는 multi-scale Harris keypoint and oriented patch descriptor보다 계산적인 측면에서 이점이 있다.

 

oFAST: FAST Keypoint Orientation

FAST-9을 사용한다. FAST는 edge를 corner 오판하는 경우가 종종 있었으며, multi scale을 적용하지 않았다.

oFAST는 Harris corner measure를 FAST keypoint에 사용하며, scale pyramid을 사용한다.

 

Orientation by Intensity Centroid

단순하면서 효율적인 corner orientation 측정방법인 intensity centroid를 사용한다.

x, y의 밝기값과 거리 값의 곱으로 m을 측정하며 이를 통해 centroid를 구하고 corner's centor O의 OC vector를 구한다.

atan2를 사용해 각도를 구한다. 이때 patch는 사각형이지만 circle에서 비교한다.

 

rBRIEF: Rotation-Aware Brief

BRIEF는 rotation이 있을때 정확하지 않다. 이를 해결하기위해 patch를 perspective patch를 뽑아 해결한 방법도 있었지만 계산량이 많아진다.

-> BRIEF를 회전시키는 방법으로 제안 = Steer BRIEF

BEIEF에 rotation matrx $R_{\Theta}$를 적용하여 $S_{\Theta} = R_{\Theta} S$ 를 적용한다.

이에 PCA분석을 해보니 앞에서 10~15개만 필요한 값을가지고 나머지는 쓸모없는 작은 값을 가진다.

 

Learning Good Binary Features

PCA같은 차원축소 알고리즘을 사용하면 큰 숫자의 binary test보다 효율적이다.

대신 uncorrelated, 높은 분산을 가지는 binary test 를 찾았다.

PCA를 사용하면 더 높은 정확도와 상대적으로 rotation에 robust해진다.

 

Evaluation

ORB는 Gaussian image noise가 있을때 SIFT보다 성능이 좋다.

 

Scalable Matching of Binary Features

ORB가 SIFT/SUFT보다 matching이 잘된다.

 

Locality Sensitive Hashing for rBrief

ORB에 hash table을 적용해 hamming distance를 사용해 matching 한다.

 

Evaluation

rBRIEF LSH와 kd-tree의 SIFT FLANN을 비교하면 rBRIEF LSH가 더 빠르다.

PROSAC, EPnP와 조합하면 pose estimation까지 성능이 좋다.