针对ORB算法特征匹配精度低的缺陷,结合金字塔光流特性,提出一种优化ORB特征匹配的方法。首先,采用区域分块法对待匹配图像进行处理,挑选出最佳匹配子块,缩小无效匹配区域;接着,对子块提取ORB关键字并计算匹配描述子得到粗匹配点对,采用金字塔光流法追踪ORB特征点,求解特征点的运动位移矢量,以此剔除粗匹配部分错误的匹配对;最后,采用随机采样一致算法进一步剔除冗余匹配点,获取更为精准的匹配对。实验结果表明,本文优化的ORB算法可以很好地满足实时性和精度的要求,特征匹配的平均耗时为原ORB算法的87%左右,且平均匹配率达98%以上。

基于OpenCV2.4.2和VS2008平台下的ORB和FREAK局部特征描述子的对比实验代码

ORB_SLAM3源码（附带详细注释）

GPU加速与L-ORB特征提取的全景视频实时拼接，。。。。。。

ORB（Oriented FAST and Rotated BRIEF）是一种快速特征点提取和描述的算法。这个算法是由Ethan Rublee, Vincent Rabaud, Kurt Konolige以及Gary R.Bradski在2011年一篇名为“ORB：An Efficient Alternative to SIFTor SURF”的文章中提出。ORB算法分为两部分，分别是特征点提取和特征点描述。特征提取是由FAST（Features from Accelerated Segment Test）算法发展来的，特征点描述是根据BRIEF（Binary Robust IndependentElementary Features）特征描述算法改进的。

图像处理python代码附带测试图片：角点检测corner_detection.py，边缘检测margin.py，轮廓检测contour_detection.py，ORB.py，SIFT.py，SURF.py，图像拼接stitching.py

在ubuntu系统里，编写并调用一个类，实现了图像ORB特征匹配。程序已编译测试通过，即图实现可以参考博文： https://blog.csdn.net/qinqinxiansheng/article/details/106975782

ORB-SLAM（基于ORB特征识别的同时定位与地图构建系统）的源代码无法在嵌入式开发板运行，其构建的点云图太稀疏无法满足移动机器人路径规划要求。针对这个问题，文章提出将ORBSLAM进行改进与优化，移植到嵌入式开发板完成SLAM过程。首先，删除原PC端Linux系统下的轨迹、点云图、一些依赖库，保留并改进src和include文件夹下大部分C++代码；其次，在嵌入式平台以JNI调用方式调用改进后的C++代码，增加OpenCV、g2o、DBoW2、Eigen等依赖库；最后根据处理后的关键帧连接绘制栅格地图，完成实时轨迹显示和地图构建。实验结果表明，通过移植实现了在嵌入式开发板进行SLAM过程，硬件配置要求和成本大大降低，所构建的栅格地图占存量更小且更直观反映实际环境的布局情况，地图误差控制在±0.5 m的较高精度范围内，较大程度地提高了SLAM性能。

Detailed comments for ORB-SLAM3 ORB-SLAM3 超详细注释 -by 计算机视觉life 公众号旗下开源学习小组：SLAM研习社 关注公众号：计算机视觉life，第一时间获取SLAM、三维视觉干货 ORB-SLAM3 V0.3: Beta version, 4 Sep 2020 Authors: Carlos Campos, Richard Elvira, Juan J. Gómez Rodríguez, José M. M. Montiel, Juan D. Tardos. The Changelog describes the features of each version. ORB-SLAM3 is the first real-time SLAM library able to perform Visual, Visual-Inertial and Multi-Map SLAM with monocular, stereo and RGB-D cameras, using pin-hole and fisheye lens m

Linux系统，需要安装如下依赖库： #####Library dependencies 1：Pangolin (visualization and user interface)**. [MIT license](https://en.wikipedia.org/wiki/MIT_License). 2：OpenCV**. BSD license. 3：Eigen3**. For versions greater than 3.1.1 is MPL2, earlier versions are LGPLv3. 4（如果只做数据集的实验可以不用安装ROS）：ROS (Optional, only if you build Examples/ROS)**. BSD license. In the manifest.xml the only declared package dependencies are roscpp, tf, sensor_msgs, image_transport, cv_bridge, which are all BSD licensed.