ORB算法的论文来自"ORB: an efficient alternative to SIFT or SURF"，作者是OpenCV维护和开发的公司willowgarage的，论文名字起的很牛气，摘要里说，ORB算法比sift算法效率高两个数量级。江湖上流传的说法是ORB算法综合性能在各种测评里是最好的。
ORB算法是在FAST关键点检测+BRIEF特征上做的。
一、特征点的检测
图像的特征点可以简单的理解为图像中比较显著的点，如轮廓点，较暗区域中的亮点，较亮区域中的暗点等。ORB采用FAST（features from accelerated segment test）算法来检测特征点。FAST核心思想就是找出那些卓尔不群的点，即拿一个点跟它周围的点比较，如果它和其中大部分的点都不一样就可以认为它是一个特征点。
备注：每个小方格代表一个像素，方格内的颜色只是为了便于区分，不代表该像素点的颜色。
Fast算法详见：https://mp.csdn.net/postedit/80970032此处不做详解
二、特征点的描述
2.1计算特征描述子
得到特征点后我们需要以某种方式描述这些特征点的属性。这些属性的输出我们称之为该特征点的描述子（Feature Descritors）.ORB采用BRIEF算法来计算一个特征点的描述子。BRIEF算法的核心思想是在关键点P的周围以一定模式选取N个点对，把这N个点对的比较结果组合起来作为描述子。
Brief算法详见：https://mp.csdn.net/postedit/84591134
2.2理想的特征点描述子应该具备的属性
在现实生活中，我们从不同的距离，不同的方向、角度，不同的光照条件下观察一个物体时，物体的大小，形状，明暗都会有所不同。但我们的大脑依然可以判断它是同一件物体。理想的特征描述子应该具备这些性质。即，在大小、方向、明暗不同的图像中，同一特征点应具有足够相似的描述子，称之为描述子的可复现性（鲁棒性）。
当以某种理想的方式分别计算上图中红色点的描述子时，应该得出同样的结果。即描述子应该对光照（亮度）不敏感，具备尺度一致性（大小 ），旋转一致性（角度）等。
上面我们用BRIEF算法得到的描述子并不具备以上这些性质。因此我们得想办法改进我们的算法。ORB并没有解决尺度一致性问题，在OpenCV的ORB实现中采用了图像金字塔来改善这方面的性能。ORB主要解决BRIEF描述子不具备旋转不变性的问题。
回顾一下BRIEF描述子的计算过程：在当前关键点P周围以一定模式选取N个点对，组合这N个点对的T操作的结果就为最终的描述子。当我们选取点对的时候，是以当前关键点为原点，以水平方向为X轴，以垂直方向为Y轴建立坐标系。当图片发生旋转时，坐标系不变，同样的取点模式取出来的点却不一样，计算得到的描述子也不一样，这是不符合我们要求的。因此我们需要重新建立坐标系，使新的坐标系可以跟随图片的旋转而旋转。这样我们以相同的取点模式取出来的点将具有一致性。
打个比方，我有一个印章，上面刻着一些直线。用这个印章在一张图片上盖一个章子，图片上分处直线2头的点将被取出来。印章不变动的情况下，转动下图片，再盖一个章子，但这次取出来的点对就和之前的不一样。为了使两次取出来的点一样，我需要将章子也旋转同一个角度再盖章。（取点模式可以认为是章子上直线的分布情况）
ORB在计算BRIEF描述子时建立的坐标系是以关键点为圆心，以关键点和取点区域的质心的连线为X轴建立二维坐标系。
在图1中，P为关键点。圆内为取点区域，每个小格子代表一个像素。现在我们把这块圆心区域看做一块木板，木板上每个点的质量等于其对应的像素值。根据积分学的知识我们可以求出这个密度不均匀木板的质心Q。计算公式如下。其中R为圆的半径。
我们知道圆心是固定的而且随着物体的旋转而旋转。当我们以PQ作为坐标轴时（图2），在不同的旋转角度下，我们以同一取点模式取出来的点是一致的。这就解决了旋转一致性的问题。
特征点的匹配
ORB算法最大的特点就是计算速度快 。 这首先得益于使用FAST检测特征点，FAST的检测速度正如它的名字一样是出了名的快。再次是使用BRIEF算法计算描述子，该描述子特有的二进制串的表现形式不仅节约了存储空间，而且大大缩短了匹配的时间。
例如特征点A、B的描述子如下。
A：10101011
B：10101010
我们设定一个阈值，比如80%。当A和B的描述子的相似度大于90%时，我们判断A,B是相同的特征点，即这2个点匹配成功。在这个例子中A,B只有最后一位不同，相似度为87.5%，大于80%。则A和B是匹配的。
我们将A和B进行异或操作就可以轻松计算出A和B的相似度。而异或操作可以借组硬件完成，具有很高的效率，加快了匹配的速度。
特征点的匹配
三、ORB算法论文中该算法的步骤：
1. 假设给定一副图。
论文第3节：先用oFAST算法，检测关键点的位置。所谓oFAST，就是orientation的FAST，增加了计算关键点的角点方向。
2. 对这个图，用FAST算法，找出关键点的位置。
3. 对于关键点，用Harris角点检测，选取前N个最好的点。
4. FAST算法不能处理多尺度图像，如果需要处理多尺度的话，就对原来的图像作金字塔，然后对每个图都进行步骤2和3的处理。
5. 对于每个角点，根据Intensity Centroid算法，计算角点的方向。
论文第4节：rBRIEF，旋转敏感的BRIEF，Rotation-Aware Brief
6. brief算法是无向的。
7. 将5中计算出来的角点方向作为brief的方向，进行旋转，就得到了有向的brief，也就是steered brief。steered brief导致区分性能有所下降。这一块，作者在4.2节中说，brief特征的每个bit的值或者是0，或者是1，因此均值是0.5，variance大。从图3可以看出，brief特征的均值在0很多，距离均值0.5比较远，而steered brief特征，加入角点的方向之后，特征均值的分布就比较平均了，也就是说，相对均值0.5来说，variance变小了。variance越大，区分性能越好，这很好理解，差异性越大，表明特征之间的差别越大，越好分类，如果都特征都差不多，接近均值，就不好分了。因此，steered brief的性能肯定不如brief。那么，为什么呢steered brief会导致variance变小呢，也许是图像的角点的方向，在统计学上存在某种性质使得variance变小。另一个是特征之间的相关性。对brief和steered brief作pca，它们的主要能量都在前10～15个主成份上。
8. 用一种贪婪学习算法筛选具有高variance和高不相关的steered brief，结果称之为rBRIEF。
9. ORB特征，就是oFAST和rBRIEF的组合。
参考文章：
https://www.jianshu.com/p/9ee6b2145eaa