ORB는 FAST의 특징점 추출 방법과 BRIEF descriptor의 fusion.
SIFT와 SURF보다 빠르며 SIFT와 맞먹는 성능을 보임.

---

FAST (Features from Accelerated Segment Test)

픽셀 $p$를 중심으로 상하좌우, 대각선 방향의 총 16개의 픽셀들과 값을 비교하여, 차이가 9개 이상 연속으로 존재하면 특징점으로 판단.

$l_p$: 픽셀 $p$에서의 밝기값, $t$: 밝기 차이에 대한 임계값이라 하면
$l_p+t$: 연속으로 $n$개 이상 존재하면 어두운 특징점
$l_p-t$: 연속으로 $n$개 이상 존재하면 밝은 특징점

$n$의 값에 따라 FAST-n이라 명칭.
논문에 의하면 $n=9$의 경우 성능이 가장 우수.

$n$개의 연속되는 픽셀을 판단할 경우, decision tree 학습 방법 사용.
픽셀의 밝기를 $p$보다 훨씬 밝은 경우, 훨씬 어두운 경우, 유사한 경우로 분류하여 밝기 분포를 16차원의 벡터로 표현.
이를 decision tree에 입력하여 특징점 판단.

NMS를 통해 특징성이 극대인 점만을 특징점으로 판단.
$V=max\{\Sigma{|x-p|-t},\ \Sigma{|p-x|-t}\}$를 통해
인접한 특징점 중에 가장 높은 $V$값을 갖는 점을 특징점으로 판단.

Harris Corner보다 빠르고 정확.

---

BRIEF (Binary Robust Independent Elementary Features)

특징점 descriptor를 생성하는 알고리즘.
binary descriptor를 이용하여 descriptor를 생성.

Binary Descriptor

$\tau(\bold{x},\bold{y})$에 대하여 $\bold{y}$가 $\bold{x}$보다 더 밝은 경우 $\tau(\bold{x},\bold{y})=1$이라 하면,
$\tau(\bold{a},\bold{b})$, $\tau(\bold{b},\bold{c})$, $\tau(\bold{c},\bold{a})$는 이진수 $110_{(2)}$로 표현 가능.

---

ORB (Oriented Fast and Rotated BRIEF)

Fast를 통해 keypoint 판단
→ Harris Corner Detection을 통해 상위 $n$개의 특징점 판단.
→ scale invariant를 위해 피라미드 사용.
→ BRIEF를 통해 descriptor 생성.

---

Reference
영상 특징점(keypoint) 추출방법
OpenCV 4로 배우는 컴퓨터 비전과 머신 러닝
ORB (Oriented Fast and Rotated BRIEF)