文章全称是《Comparing ORB and AKAZE for visual odometry of unmanned aerial vehicles》。这是一篇来自巴西的文章，在百度文库中找不到，是在其他博客中给出的链接中获得的。从链接的URL可以看出，这是一个会议CCIS云计算和智能系统国际会议的文章。
本文在无人控制飞机上应用了特征检测和匹配的方法Unmanned Aerial Vehicles(UAV)，也就是无人机drone上面。如果没有人控制，我们必须知道飞机的实时位置，我们当然可以使用它GPS，但是GPS也有一些缺点，比如极端天气GPS考虑到越来越多的传感器来越多的传感器如摄像头安装在飞机上，计算机视觉可以实现。
利用捕捉到的图像计算UVA的displacement，估计UAV飞行位置的方法称为visual odometry。作者主要比较文章中的作者ORB算法和AKAZE算法。结论是AKAZE在实时性能和准确性之间取得更好的平衡。
UAV需要捕获连续的图像帧，帧之间有足够的重叠场景，以估计图像之间的变化。UAV捕获场景的连续图像。可以看出，视角发生了变化，或者飞机姿势发生了变化。
在，ORB使用改进的FAST改进后，可以实现旋转的不变性。AKAZE相比于KAZE，在构建非线性金字塔时使用Fast Explicit Diffusion(FED)来加速。在描述特征点时，ORB基于BRIEF该方法在图像平滑版本的特征点周围建立了二进制数据集binary tests。但是BRIEF分裂缺陷是平面旋转in-plane rotation没有鲁棒，ORB使用学习方法learning method找到相关性较小的二进制对，并选择性能好的子集，使最近的邻居匹配效果良好。AKAZE描述子是基于的(LDB)Local Difference Binary.改进得到了M-LDB，挖掘梯度和密度的信息(exploits gradient and intensity information),改进版由方格的下采样组成(consists of subsampling the grid)，而不是使用子方格中所有像素的平均值。描述子生成的步骤是特征点的尺度函数，因此采样时的尺度独立保证了描述子的尺度不变。This is performed in steps that are a function of the scales of the feature, so that the scale-dependent sampling makes the descriptor robust to changes in scale.相似性或距离可用于特征点匹配，ORB和AKAZE均为二进制描述子，因此，他们都使用汉明距离进行高效匹配。
来自两个不同的数据集。一个含1098个7360x4912图像，摄像头是SONY ILCE-7R，焦距45mm，平均飞行高度为360m，飞行区是农村地区。第二个数据集是4000x148幅图像构成3000。图像来自Canon PowerShot S110摄像头，焦距长度5.2mm，平均飞行高度为28m，飞行区靠近城市标志性建筑。遗憾的是，文章没有给出数据集的链接。
上图是农村图像数据集的第一个例子。以前的汽车图像是城市数据集的图像。
检测和匹配的特征直接影响算法性能。在作者的实验中，图像大小缩放为736x491和640x大小480，便于实时处理。
表1表2显示了两种算法在两个数据集的特征点匹配数和运行时间。运行时间是在两种算法检测到的特征点数量相等的情况下测量的。ORB的速度约是AKAZE的3倍。
在匹配特征点的过程中，会出现错误的匹配对，使用文章RANSAC该方法与特征匹配匹配进行净化。RANSAC样本点可分为内点和外点两部分，内点用于回归分析，外点被认为是一些畸变点。
表3和表4是两种算法在两个数据集中的内点比例。AKAZE正确匹配值的正确匹配average ratio of correct matching(their accuracy)更高。
图3是使用所有特征点和只使用内点进行匹配的情况。在b中，特征点较少，匹配更准确。B中间的绿色框得到的矩阵变换得到中间的绿色框。
ORB比AKAZE要快，并且AKAZE随着图像分辨率的增加，运行时间迅速增加，但在去除外点后，AKAZE有更多正确的匹配。分辨率为640x480的低分辨率图像，AKAZE在速度和结果表现之间取得了更好的平衡。本文的实验图像来自UAV作者摄像头的作者下一步工作是真实的visual adometry在应用程序中验证两种算法UAV位置的准确性。