الگوریتم ORB (Oriented FAST and Rotated BRIEF) یک روش بینایی ماشین است که برای تشخیص و تطبیق نقاط کلیدی در تصاویر استفاده میشود. ORB از دو روش اصلی به نام FAST و BRIEF استفاده میکند.
الگوریتم FAST یک روش سریع و کارآمد برای تشخیص نقاط مهم در تصاویر است. FAST با استفاده از یک آستانهٔ سرعت بالا و تست توالیهای سگمنت شده، نقاط کلیدی را پیدا میکند. به این معنی که از بین تمام نقاط تصویر، نقاطی که تغییرات شدیدی در شدت رنگ دارند و با سرعت زیاد تغییر میکنند، به عنوان نقاط کلیدی شناسایی میشوند.
الگوریتم BRIEF یک روش برای توصیف نقاط کلیدی در تصاویر است. این الگوریتم با استفاده از یک الگوی کوتاه و ثابت از پیکسلها، توصیفی کوتاه برای هر نقطه کلیدی ایجاد میکند. این الگو به عنوان یک امضای منحصر به فرد برای هر نقطه کلیدی عمل میکند.در واقع، به جای محاسبه و ذخیره کل تصویر در نقاط کلیدی، الگوریتم BRIEF فقط بر روی یک الگوی کوچک و ساده از پیکسلها تمرکز میکند. این الگو از پیکسلهایی که در محیط نقطه کلیدی قرار دارند، انتخاب میشود و به صورت یک بردار باینری یا یک سری اعداد صحیح کوتاه نمایش داده میشود.بعداً، برای مقایسهٔ نقاط کلیدی، از معیارهای سادهای مانند فاصلهٔ همواری بین الگوها استفاده میشود. با این روش، نقاط کلیدی میتوانند با یکدیگر مقایسه شوند و شباهتها و تفاوتها بین آنها مشخص شود.
به طور خلاصه، الگوریتم FAST با استفاده از شناسایی نقاط کلیدی در تصاویر، و الگوریتم BRIEF با تولید توصیفکنندهٔ مستقل برای هر نقطه کلیدی، به صورت ترکیبی استفاده میشوند تا نقاط کلیدی را تشخیص داده و توصیف کنند.
علاوه بر این، ORB قادر است جهتهای نقاط کلیدی را نیز تعیین کند. این ویژگی به الگوریتم اجازه میدهد تا در موقعیتها و جهات مختلف تصاویر نقاط کلیدی را تشخیص دهد و دقت و قابلیت تطبیق آنها را بهبود بخشد.
روش استفاده از ORB به سادگی انجام میشود. ابتدا الگوریتم FAST برای تشخیص نقاط کلیدی روی تصویر اعمال میشود. سپس برای هر نقطه کلیدی، توصیفکننده BRIEF تولید میشود. این توصیفکنندهها به صورت بردارهای دودویی کوتاه هستند که میتوانند با استفاده از عملیات منطقی سریع مقایسه شوند. برای تطبیق نقاط کلیدی در دو تصویر مختلف، از روش مقایسه بردارهای توصیفکننده استفاده میشود و نقاط کلیدی مشابه را شناسایی میکند.
استفاده از الگوریتم ORB در بین کاربردهای وسیعی در بین بینایی ماشین و رایانههای بینایی وجود دارد. مهمترین کاربرد ORB در زمینهٔ بازشناسی و ردیابی تصاویر است. با استفاده از ORB میتوان نقاط کلیدی در تصاویر را شناسایی کرده و به طور مستقیم با تصاویر دیگر مقایسه کرد. این قابلیت به ما اجازه میدهد تا الگوها و اشیا را در تصاویر جستجو و شناسایی کنیم، مانند ردیابی و شناسایی چهرهها، تشخیص علامتها و نمادها، ردیابی وضعیت و جابجایی اشیا و بسیاری موارد دیگر.
روش استفاده از الگوریتم ORB برای تشخیص و تطبیق نقاط کلیدی در تصاویر :
۱. استخراج نقاط کلیدی: از الگوریتم FAST برای تشخیص نقاط کلیدی در تصویر استفاده میشود. این الگوریتم با تست توالیهای سگمنت شده به سرعت نقاط کلیدی را شناسایی میکند.
۲. تولید توصیفکنندهها: برای هر نقطه کلیدی، توصیفکننده BRIEF تولید میشود. این توصیفکنندهها به صورت بردارهای دودویی هستند که مستقل از مقیاس و جهت نقطه کلیدی عمل میکنند.
۳. مقایسه و تطبیق نقاط کلیدی: برای تطبیق نقاط کلیدی در دو تصویر مختلف، از روش مقایسه بردارهای توصیفکننده استفاده میشود. با مقایسه بردارهای توصیفکننده، نقاط کلیدی مشابه در دو تصویر شناسایی میشوند.
الگوریتم ORB برای تعیین جهت نقاط کلیدی از روشی به نام تبدیلهای Harr استفاده میکند. تبدیلهای Harr شامل فیلترهای مبتنی بر موجک است که برای تشخیص الگوهای مختلف در تصاویر استفاده میشوند. در ORB، از تبدیلهای Harr به عنوان فیلترهای جهتدار برای تشخیص جهت نقاط کلیدی استفاده میشود.
برای تعیین جهت نقاط کلیدی، ORB به صورت محلی بر روی ناحیه اطراف هر نقطه کلیدی عمل میکند. ابتدا، یک پنجرهٔ مربعی به اندازهٔ مشخصی (معمولاً یک ناحیهٔ ۱۶x۱۶ پیکسل) روی نقطه کلیدی قرار میگیرد. سپس، تبدیلهای Harr جهتدار روی این پنجره اعمال میشوند.با اعمال تبدیلهای Harr جهتدار، ORB تلاش میکند تا جهتی در نقطه کلیدی تعیین کند که ماکزیمم پاسخ تبدیلهای Harr را تولید میکند. با سیستماتیک بودن فیلترهای موجک، پاسخهای ماکزیمم به طور نسبی آسان تعیین میشوند.با تعیین جهت نقاط کلیدی، ORB قادر است به طور دقیقتری نقاط کلیدی را تشخیص دهد و قابلیت تطبیق آنها را بهبود بخشد. این ویژگی به الگوریتم اجازه میدهد تا در موقعیتها و جهات مختلف تصاویر نقاط کلیدی را تشخیص دهد و در برخی از کاربردها مانند ردیابی اشیاء مفید است.
تبدیلهای Harr به صورت مجموعهای از فیلترهای کرنلی یا ماسکها عمل میکنند که به واسطهٔ ویژگیهای آنها میتوانند الگوها و ساختارهای مختلف را تشخیص دهند. این فیلترها معمولاً شامل مستطیلهای کوچک با وزندهی متفاوت هستند که به طور ترکیبی بر روی تصویر اعمال میشوند.
تبدیلهای Harr جهتدار، همانند تبدیلهای Harr سنتی، از دو نوع فیلتر اصلی تشکیل شدهاند: فیلترهای مثبت (Positive filters) و فیلترهای منفی (Negative filters). فیلترهای مثبت بر روی قسمتهای تیرهتر تصویر و فیلترهای منفی بر روی قسمتهای روشنتر تصویر عمل میکنند.
تفاوت اصلی تبدیلهای Harr جهتدار با تبدیلهای Harr سنتی در این است که فیلترهای آنها در جهتهای مختلف قرار گرفتهاند. به عبارت دیگر، فیلترهای Harr جهتدار، علاوه بر شناسایی الگوها، قادر به تشخیص جهت آنها نیز هستند.با اعمال تبدیلهای Harr جهتدار بر روی تصاویر، میتوان الگوها و ویژگیهای مختلف را با در نظر گرفتن جهت آنها تشخیص داد.