該類中主要調用OpenCV中的函數，提取圖像中特征點（關鍵點及其描述，描述子，以及圖像金字塔）
參考TUM1.yaml文件中的參數，每一幀圖像共提取1000個特征點，分布在金字塔8層中，層間尺度比例1.2，計算下來金字塔0層大約有217個特征點，7層大約有50個特征點。這樣有一個比較直觀的概念。
提取特征點使用FAST，但是ORB中的FAST加入了旋轉信息，也就是去計算特征點的角度，同時加入了尺度信息，也就是計算在多層金字塔中去提取。
描述子使用的是BRIEF，通過二進制BRIEF描述子之間的漢明距離來考察兩個特征點之間的相似度。
整個提取過程使用重載了的()操作符來完成。
最后為了提取出的特征點在圖像中分布比較均勻（實際情況中，特征點通常分布得比較集中，這樣不利於進行匹配，也不利於精確地求解相機間的位姿從而得到精確的VO軌跡），使用了八叉樹（其實是平面上的四叉樹）的數據結構來存儲提取出的特征點：
void ORBextractor::ComputeKeyPointsOctTree(vector<vector<KeyPoint> >& allKeypoints);
金字塔中每一層提取出的特征點放在不同的vector<KeyPoint>中；OctTree主要的實現：
vector<cv::KeyPoint> ORBextractor::DistributeOctTree(const vector<cv::KeyPoint>& vToDistributeKeys, const int &minX, const int &maxX, const int &minY, const int &maxY, const int &N, const int &level);
該樹結構除了根節點其實只實現了3層，最頂層的node數量由圖像的橫縱比決定（例如2）;下面兩層最多產生64個葉子。因此，對於前面提到的特征點數，平均每個分割節點中分布一兩個特征點，如果該葉子中含有較多特征點，則選取其中Harris響應值（是由OpenCV的KeyPoint.response屬性計算的）最大的，其他的拋棄！