BRIEF算法：快速特征描述符计算和匹配

目标

在本章中，将看到

• BRIEF算法的基础知识

理论

基于之前的知识可以知道， SIFT使用128维矢量作为描述符。由于它使用浮点数，因此基本上需要512个字节。同样，SURF最少也需要256个字节（用于64像素）。如果为数千个特征创建这样的向量会占用大量内存，这对于资源受限的应用程序尤其是嵌入式系统而言是不可行的。内存越大，匹配所需的时间越长。

但是实际匹配可能不需要所有这些尺寸。可以使用PCA，LDA等几种方法对其进行压缩。甚至使用LSH（局部敏感哈希）进行哈希的其他方法也可以将这些SIFT描述符中的浮点数转换为二进制字符串。这些二进制字符串用于使用汉明距离匹配要素，这提供了更快的速度，因为查找汉明距离仅是应用XOR和位数，这在具有SSE指令的CPU中运算是非常快的。但是在这里，需要先找到描述符，然后才可以应用散列，这不能解决最初的内存问题。

现在介绍BRIEF。它提供了一种直接查找二进制字符串而无需查找描述符的快捷方式。它需要平滑的图像块，并以独特的方式选择一组$n_d(x，y)$位置对。然后，在这些位置对上进行一些像素强度比较。例如，令第一位置对为$p$和$q$。如果$I_p<I_q$，则结果为1，否则为0。将其应用于所有$n_d$ 个位置对以获得$n_d$维位串。
该$n_d$可以是128、256或512。OpenCV支持所有这些，但默认情况下将是256（OpenCV以字节为单位表示，因此值将为16、32和64）。因此，一旦获得此信息，就可以使用汉明距离来匹配这些描述符。

重要的一点是，BRIEF是特征描述符，它不提供任何查找特征的方法。因此，将不得不使用任何其他特征检测器，例如SIFT，SURF等。本文建议使用CenSurE，它是一种快速检测器，并且CenSurE比SURF点的工作要好一些。

简而言之，BRIEF是一种更快的方法特征描述符计算和匹配。除了平面内旋转较大的情况，它将提供很高的识别率。

算法步骤

• 为减少噪声干扰，先对图像进行高斯滤波（方差为2，高斯窗口为9×9）
• ·以特征点为中心，取SxS的邻域大窗口。在大窗口中随机选取一对（两个）5×5的子窗口，比较子窗口内的像素和（可用积分图像完成），进行二进制赋值.（一般S=31）

$\tau (p;x,y):=\{\begin{array}{l}1,ifp(x)<p(y)\\ 0,otherwise\end{array}$

其中p(x)，p(y)分别随机点x=(u1,v1),y=(u2,v2)所在5×5子窗口的像素和.

• 在大窗口中随机选取N对子窗口，重复步骤2的二进制赋值，形成一个二进制编码，这个编码就是对特征点的描述，即特征描述子.（一般N=256）

FAST算法提取特征点+BRIEF计算描述子 就构成了 ORB特征点提取部分

OpenCV中的BRIEF

下面的代码显示了借助CenSurE检测器对Brief描述符的计算。（在OpenCV中，CenSurE检测器称为STAR检测器）注意，您需要使用opencv contrib）才能使用它。

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('fly.png')
# 初始化FAST检测器
star = cv2.xfeatures2d.StarDetector_create()
# 初始化BRIEF提取器
brief = cv2.xfeatures2d.BriefDescriptorExtractor_create()
# 找到STAR的关键点
kp = star.detect(img, None)
# 计算BRIEF的描述符
kp, des = brief.compute(img, kp)
print(brief.descriptorSize())
print(des.shape)

cv2.drawKeypoints(img, kp, img, color=(255, 0, 0))
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

函数brief.getDescriptorSize()给出以字节为单位的$n_d$大小。默认情况下为32。

附加资源

• docs.opencv.org/4.1.2/dc/d7…
• Michael Calonder, Vincent Lepetit, Christoph Strecha, and Pascal Fua, “BRIEF: Binary Robust Independent Elementary Features”, 11th European Conference on Computer Vision (ECCV), Heraklion, Crete. LNCS Springer, September 2010.
• LSH (Locality Sensitive Hashing) at wikipedia.
• segmentfault.com/a/119000001…