ORB：快的代价

1. 嵌入式默认，跨季节重定位翻车

底盘视觉里程计默认 ORB：五百一十二比特描述子、汉明距离、无浮点匹配带宽，ARM 上单帧匹配几毫秒。同一路段夏冬光照差百分之三十，重定位成功率从九十四掉到七十一——不是匹配器参数问题，是 BRIEF 对光照与模糊敏感，ORB 用强度质心估角度，运动模糊大时角度错导致匹配崩溃。强光照变化或大基线跨季节重定位，我会重新评估 SIFT 或学习型描述子，别在汉明阈值上死磕。

2. 流水线与关键参数

python

orb = cv2.ORB_create(nfeatures=2000, scaleFactor=1.2, nlevels=8, edgeThreshold=31)
kp, des = orb.detectAndCompute(gray, None)
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=False)
matches = bf.knnMatch(des1, des2, k=2)
good = [m for m, n in matches if m.distance < 0.75 * n.distance]

nfeatures 是 保留上限，不是检测数——设两千不代表检测到两千个角点。scaleFactor 一点二每层缩小约百分之二十；nlevels 八决定最大尺度覆盖，与 scaleFactor 联动决定最小可检测特征尺寸。edgeThreshold 三十一避免边界不稳定角点。scoreType=HARRIS_SCORE 角点质量略好略慢；WTA_K=2 对应二百五十六比特描述子。

3. oriented BRIEF 机制

BRIEF 是二进制强度对比模式，本身对旋转敏感。ORB 用 patch 质心方向给 BRIEF 定向，实现离散角度 bin 的旋转不变。尺度不变靠图像金字塔（非 SIFT 式高斯差分），每层独立检测加描述。这意味着 ORB 的可重复性在尺度边界处可能有 gap——scaleFactor 与 nlevels 要覆盖工作距离内的目标尺寸。运动模糊大时质心方向估计错误，描述子全盘失效，这是 ORB 的结构性弱点。

4. 匹配策略

Lowe ratio 零点七五是起点，汉明距离分布随场景变——统计内点率在不同 ratio 下选拐点。crossCheck=True 更严但慢；视觉里程计常用 ratio 加几何验证。大规模匹配可用 LSH 索引（table_number, key_size, multi_probe_level）；小规模直接暴力匹配足够。几何验证（基础矩阵或本质矩阵 RANSAC）比盲信 top match 稳，我会在匹配后总是跑 RANSAC 再信结果。

5. 局限与备选

场景	ORB	备选
嵌入式实时	优	—
光照剧变	脆	SIFT/RootSIFT, learned
大视角/弱纹理	中	光流、直接法
亚像素精度	中	角点 refine + LK
motion blur	差	AKAZE, learning-based

弱纹理大模糊时换检测器比调汉明阈值有效。分布式地点识别用词袋（DBoW2/3）在汉明之上做检索，那是另一条链路。

6. 验收

固定精度下的匹配召回率；RANSAC 内点率；视觉里程计 track 长度与重定位成功率。同一 bag 对比 ORB 与 SIFT，用内点数与 CPU 毫秒一起报——算力与鲁棒性折中要可量化，不能凭感觉选描述子。

7. 案例：blur 场景 angle 全错

某仓库 AGV 快速转弯时 ORB 匹配内点率从百分之七十掉到百分之十五。查看角点 patch，运动模糊导致质心偏移，BRIEF 模式全乱。换 AKAZE 或限制 ORB 用于短基线、低模糊场景；blur 场景调 Hamming 阈值无效。描述子选型要先看运动与光照条件，再看算力预算。

8. 与 VO 初始化联动

ORB 匹配质量直接决定本质矩阵估计上限。upstream ratio test、undistort、金字塔层数与 downstream 五点法 RANSAC 是同一链路——ORB 参数调好了，VO 初始化 inlier 才上得去。单独调 RANSAC 阈值而不看描述子质量，是在下游治上游的病。

9. 配置与验收

把 nfeatures、scaleFactor、nlevels、ratio 阈值写进 yaml；启动时打印 detect 数与 match 数摘要。验收：固定精度 recall；RANSAC inlier ratio；track 长度；同一 bag ORB vs SIFT 的 inlier 与 CPU ms。ORB 是算力–鲁棒性折中，选型要可量化、可复现。嵌入式短基线 VO 可用；跨季节、强 blur 场景应换描述子，别在 Hamming 上死磕。