整体架构

构造函数进行初始化，传入设定几个重要的成员变量。nfeatures（特征点的个数）、nlevels（构造金字塔的层数）、scaleFactor（金字塔中相邻层图像的比例系数）、iniThFAST（检测 FAST 角点的阈值）、minThFAST（在 iniThFAST 没有检测到角点的前提下，降低的阈值）。

括号运算符对输入的图像进行角点检测。1. ComputePyramid 函数构造金字塔。2. ComputeKeyPointsOctTree 对金字塔图像进行角点检测。3. 计算角点的描述子，输出。

括号运算符 operator()

括号运算符输入图像，并且传入引用参数 _keypoints, _descriptors 用于存储计算得到的特征点及其描述子。

这种设计使得只需要构造一次 ORBextractor 就可以为所有图像生成特征点。

ComputePyramid 函数

我认为 ComputePyramid 函数中调用的 OpenCV 函数 copyMakeBorder 是没有意义的。

当 level == 0 时，或许有用，mvImagePyramid[level] 指向 temp 图像的中间，将 image 复制了进去。

当 level != 0 是，resize 函数就已经完成了工作。

copyMakeBorder 只是对 temp 图像的外围进行了修改，而 temp 图像的外围并不存在于影像金字塔中。

ComputeKeyPointsOctTree 函数

对影像金字塔中的每一层图像进行特征点的计算。具体的计算过程是将影像格网分割为小区域，每一个小区域独立使用 FAST 角点检测。检测完成之后使用 DistributeOctTree 函数对检测得到的所有角点进行筛选，使得角点分布均匀。

划分格网计算

I 确定计算角点的范围：

对影像“裁边”周围 EDGE_THRESHOLD-3 的像素不进行角点检测。

const int minBorderX = EDGE_THRESHOLD-3;
const int minBorderY = minBorderX;
const int maxBorderX = mvImagePyramid[level].cols-EDGE_THRESHOLD+3;
const int maxBorderY = mvImagePyramid[level].rows-EDGE_THRESHOLD+3;

II 确定确定格网的数量：

nCols, nRows 是宽高方向上格网的的数量，wCell, hCell 是每个格网的宽和高。

使用这种方式计算能够使得最后不完整的 Cell 尽可能不会太小。W 是预估 Cell 的宽高。

const float W = 30;

const int nCols = width/W;
const int nRows = height/W;
const int wCell = ceil(width/nCols);
const int hCell = ceil(height/nRows);

如 640*480 的影像，进行裁边之后是 608*448。计算得到：

nCols == 20, wCell == 31;
nRows == 14, hCell == 32;
nCols * wCell == 620;
620 % 31 == 19; // constrast to 608 % 30 == 8
nRows * hCell == 448;

III 循环生成每个 Cell 的角点：

最后计算的 Cell 的宽或高不会小于7。因为 FAST 计算的邻域是直径为7的 BressenHam 圆。

数字7与代码中出现的数字6对应。

最后生成的 FAST 角点存放在 vToDistributeKeys 中，坐标是以 (minBorderX, minBorderY) 为原点（左上）的坐标。

八叉树分配

DistributeOctTree 这个是八叉树分配的意思，但是函数中每次对节点进行分裂都是分裂成4个。

// If more than one point, subdivide
ExtractorNode n1,n2,n3,n4;
lit->DivideNode(n1,n2,n3,n4);

Excuse me，这东西叫 DistributeQuadTree 好不好？毕竟是在平面上划分。

I 水平划分：

将影像进行水平划分，nIni 是水平划分的数量，hX 是水平划分格子的宽度。

const int nIni = round(static_cast<float>(maxX-minX)/(maxY-minY));
const float hX = static_cast<float>(maxX-minX)/nIni;

注：这里有 bug，如果输入的是一张宽高比小于 0.5 的图像，nIni 计算得到 0，计算 hX 会报错。

将所有的特征点分配到 lNodes 的 node 中，vpIniNodes 存在的意义只是分配特征点。

对于每个 node 而言，若其只有一个特征点，bNoMore 为 true，表明其不用再继续划分。

II Node 四叉分裂：

进入循环

while(!bFinish)
{
...
}

i. 循环首先遍历 lNodes 中的每一个节点，对节点进行分裂：

ExtractorNode n1,n2,n3,n4;
lit->DivideNode(n1,n2,n3,n4);

分裂成 n1, n2, n3, n4 四个节点，将这四个节点中含有特征点的节点存入 lNodes 的最前面，因为是向后遍历的，不希望一次遍历下来会遍历到前面加进来的节点。如果分裂出的节点中特征点的个数大于1，说明还可以分裂，将特征点数、节点的指针存入 vSizeAndPointerToNode 中，nToExpand 计数器加1，后面会用于判断可分裂的能力。

ii. 在分裂成功之后进行判断

判断如果当前节点数量大于等于需要的特征点数量（N），或者分裂过程并没有增加节点的数量，说明不需要再进行分裂了，bFinish 设置为 true，可以跳出循环。

这个判断好像不是很充分，因为前面的分裂是整体的，只用一个数量参数来判断，有点牵强，有些分裂出的节点可以继续分裂。

如果上面的条件不满足，判断条件

((int)lNodes.size()+nToExpand*3)>N

是否满足。满足表明了再如果所有的节点再进行一次完全分裂（所有节点都能分裂成4个节点），可以满足特征点数量的要求。

vSizeAndPointerToNode 是前面分裂出来的子节点（n1, n2, n3, n4）中可以分裂的节点。按照它们特征点的排序，先从特征点多的开始分裂，分裂的结果继续存储在 lNodes 中。每分裂一个节点都会进行一次判断，如果 lNodes 中的节点数量大于所需要的特征点数量，退出整个 while(!bFinish) 循环。

如果进行了一次分裂，并没有增加节点数量，不玩了，退出整个 while(!bFinish) 循环。

III 取最大响应点：

在前面的工作完成时 lNodes 中节点的数量应该大于所需要的特征点数量 N，如果不是大于，那么很抱歉，也只能这样子了。

取出每一个节点中最大响应的特征点，存储进 vResultKeys 中。

函数返回。

总结

剩下的代码是在 ComputeKeyPointsOctTree 函数中对过滤出的特征点坐标进行调整，调整到整个图像的坐标，计算特征点的方向。

在 operator() 函数中计算特征点的描述子。

转自：https://www.cnblogs.com/JingeTU/p/6438968.html

ORB_SLAM2::ORBextractor