[ORB-SLAM2] ORB特徵提取策略對ORB-SLAM2性能的影響
在ORB-SLAM(2)的論文中，作者提到了一種使圖像中提取的ORB特徵分佈更加均勻的方法。這種策略是否有助於提高SLAM的性能？為什麼作者不使用OpenCV中的ORB特徵提取的實現？本文將通過實驗，比較這兩種ORB特徵提取方法對ORB-SLAM2性能的影響。
兩種ORB特徵器效果對比
隨便從TUM數據集中取出一張照片，分別使用OpenCV的實現和ORB-SLAM2的實現提取1000個ORB特徵，效果如下圖。 很明顯，OpenCV提取的特徵點比較集中，出現了扎推現象。而ORB-SLAM2提取的特徵點，分佈比較均勻。
直觀上想像，特徵點分佈比較集中，極端情況就是所有特徵都集中到了一點，那麼相機的位姿就無法解算。特徵點分佈太過集中，SLAM系統的精度可能會有所下降。下面，通過實驗驗證這一想像。
實驗條件：
數據集: TUM RGB-D數據集中的6個序列 (嚴謹的說,以下結論目前只適用於RGB-D相機,沒有測試單目和雙目的效果)
系統：Ubuntu 16.04CPU: Intel? Core? i7-8700 CPU @ 3.20GHz × 12OpenCV: 3.3.1ORB-SLAM2參數配置：使用ORB-SLAM2原版配置
軌跡精度對比
採用的評測標準是absolute trajectory error(ATE) RMSE， 結果見下圖。大部分序列下，ORB-SLAM2版本的精度更高。fr1_xyz序列，OpenCV版本的精度稍高，但是和ORB-SLAM2的精度也差不太多。而OpenCV的版本在fr2_3h序列中出現了跟丟現象，直到最後也沒有找回，所以測試軌跡精度的數據只佔了整個序列開始很小一部分，在軌跡精度上稍顯高一些。 實際上，fr2_3h的序列中，相機運動的較快，場景中也距離相機較遠，光線也不好。ORB-SLAM版本在所有序列上都沒有跟丟，因此魯棒性更高。總之，ORB-SLAM2的均勻化特徵提取的策略提高了系統的精度和魯棒性。
地圖對比
就ORB-SLAM2的版本而言，地圖點比較均勻和稀疏，關鍵幀之間的邊相對較少。這似乎表明ORB-SLAM2的均勻提取策略降低了特徵的重複性，不利於保證同一個特徵在多幀之間都提取到。
而OpenCV版本的地圖點比較集中，這是由於OpenCV選擇響應最高的點所導致的。關鍵幀之間的邊也更加密集，這似乎說明響應高的那些ORB特徵點具有更好的復現性，可以在連續的更多幀重複提取、跟蹤。但是，需要注意的是，這些特徵點都集中在一起，即便形成了更強大的網路，獲得的估計精度還是沒有ORB-SLAM2版本的高。也就是說，特徵點均勻分佈是可以提高系統精度的。
下面再看一下，在fr2_desk序列中，每個frame追蹤到的地圖點的個數。ORB-SLAM2版本相對於OpenCV版本追蹤的地圖點數量要少，這也與上圖中OpenCV版本的關鍵幀網路更加稠密相互印證。但是，這並不能表明ORB-SLAM2追蹤的質量差，因為有可能是ORB-SLAM2的地圖點的數量本來就少呢？所以我又統計了以下地圖中關鍵幀的數量和地圖點的數量。ORB-SLAM2版本的關鍵幀數量比OpenCV版本的還多，但是地圖點的數量沒有OpenCV版本的多。ORB-SLAM2版本中，地圖點少，關鍵幀多，原因可能是1. ORB特徵的復現性不好，不能在較多幀之間追蹤，構造更多的地圖點。2. 均勻化的提取策略提取的特徵點數量沒有OpenCV原版實現中提取特點數多。（這兩點目前沒有驗證。）
值得注意的是，雖然ORB-SLAM2版本每一幀跟蹤的特徵點數少，但是最終的軌跡精度卻很高。這就體現出ORB-SLAM2特徵提取方法的優越性了，可能是特徵點分佈比較均勻的功勞。OpenCV版本跟蹤的點數雖多，但是這些點比較集中。
地圖點存活率對比
提取ORB特徵，一是為了構造地圖點，二是為了實現數據關聯。一個ORB特徵點對應的地圖點被越多的幀觀測到，那麼就能形成越強大的Graph，從而也能保證系統的精度。也就是說，多幀之間的ORB特徵應具有很好的重複性，這樣才能保證形成強大的網路。一個地圖點能夠被越多的幀觀測到越好。於是，我統計了每個特徵點相連的關鍵幀數量。從這幅圖似乎感覺兩種特徵提取方法差別不大，可能對數據影響最大的是實驗環境和運動軌跡吧？
特徵提取時間
ORB-SLAM2的特徵提取時間為10.24±2.64 ms，OpenCV的特徵提取時間為9.11±2.82 ms。兩者差別不大。
總結
ORB-SLAM2中的ORB特徵提取方法相對於OpenCV中的方法，提高了ORB-SLAM2的軌跡精度和魯棒性。增加特徵提取的均勻性可以提高系統精度，但是似乎會降低特徵提取的重複性。
我只用了TUM RGB-D數據集的6個序列來測試，因此相關結論僅供參考。
推薦閱讀：
