【OpenCV-Python】教程：4-7BRIEF（BinaryRobustIndependentElemen

OpenCV Python BRIEF （ Binary Robust Independent Elementary Features） 【目标】 学习 BRIEF 算法理论 【理论】

我们知道SIFT使用128维向量作为描述符。因为它使用的是浮点数，所以需要512字节。类似地，SURF也需要最少256字节(对于64维)。为数千个特性创建这样的向量需要大量内存，这对于资源受限的应用程序是不可行的，特别是对于嵌入式系统，内存消耗大，匹配的时间长。

但这些维度在实际匹配时可能不是都需要。我们可以使用PCA、LDA等多种方法对数据进行压缩。甚至还使用其他方法，如使用LSH ( 局域敏感哈希) 来将这些浮点数中的 SIFT 描述符转换为二进制串。这些二进制字符串使用汉明距离来匹配特征。这提供了更好的加速，因为寻找汉明距离只是应用异或和位计数，这在具有SSE指令的现代cpu中非常快。但在这里，我们需要先找到描述符，然后才能应用哈希，这并不能解决我们最初的内存问题。

这时，BRIEF 浮现在眼前。它提供了直接查找二进制字符串的快捷方式，而无需查找描述符。它需要平滑的图像块，并以唯一的方式选择一组 n d ( x , y ) n_d (x,y) nd​(x,y)位置对(在论文中解释)。然后对这些位置对进行像素强度比较。例如，设某一个位置对为 p p p和 q q q，如果 I ( p ) < I ( q ) I(p) < I(q) I(p)<I(q)，则其结果为1，否则为0。这适用于所有的 n d n_d nd​位置对，以获得一个 n d n_d nd​维位串。

点对选择

设我们在特征点的邻域块大小为 S × S S×S S×S 内选择 n d n_d nd​个点对 ( p , q ) (p,q) (p,q)，Calonder的实验中测试了5种采样方法：

1）在图像块内平均采样； 2） p p p和 q q q都符合 ( 0 , 1 25 S 2 ) (0, \frac{1}{25} S^2) (0,251​S2)的高斯分布； 3） p p p符合 ( 0 , 1 25 S 2 ) (0, \frac{1}{25}S^2) (0,251​S2)的高斯分布，而 q q q符合 ( 0 , 1 100 S 2 ) (0, \frac{1}{100}S^2) (0,1001​S2)的高斯分布； 4）在空间量化极坐标下的离散位置随机采样 5）把 p p p固定为 ( 0 , 0 ) (0,0) (0,0)， q q q在周围平均采样

这个 n d n_d nd​可以是 128 128 128、 256 256 256或 512 512 512。OpenCV支持所有这些，但默认情况下，它将是 256 256 256 (OpenCV以字节表示, 所以这些值将是16,32和64)。一旦你得到了这个，你就可以用汉明距离来匹配这些描述符。

重要的一点是 BRIEF 是一个特征描述符，它不提供任何查找特征的方法。所以你必须使用任何其他的特征检测器，如SIFT, SURF等。本文推荐使用CenSurE，这是一种快速检测器，BRIEF 对 CenSurE 点的效果甚至比 SURF 点要好。

简而言之，BRIEF是一种更快的特征描述符计算和匹配方法。它还提供了高识别率，除非有大的平面内旋转。

优点：

计算速度快

缺点：

对噪声敏感 不具备旋转不变性 不具备尺度不变性

STAR(CenSurE) in OpenCV

STAR 是源自 CenSurE 的特征检测器。但与CenSurE不同的是，Star使用正方形、六边形和八边形等多边形来接近圆形，而Star模拟的是带有2个重叠正方形的圆形:1个垂直，1个旋转45度。这些多边形是双层的。它们可以被看作是带有粗边框的多边形。边界和封闭区域的权重是相反的。与其他尺度空间探测器相比，该探测器具有更好的计算特性，并且能够实时实现。与SIFT和SURF相比，它们在次采样像素处发现极值，从而在更大的尺度上降低精度，CenSurE在金字塔的所有尺度上使用全空间分辨率创建特征向量。

【代码】

import numpy as np import cv2 from matplotlib import pyplot as plt img = cv2.imread("assets/blox.jpg") # fast检测 fast_kp = cv2.FastFeatureDetector_create() # brief 描述子 brief = cv2.xfeatures2d.BriefDescriptorExtractor.create() # 特征点检测 kp = fast_kp.detect(img, None) print(len(kp)) # 计算特征 kp, des = brief pute(img, kp) print(len(kp)) # 画关键点 img2 = cv2.drawKeypoints(img, kp, None, color=(255,0,0), flags=0) print(brief.descriptorSize()) star = cv2.xfeatures2d.StarDetector_create() star_kp = star.detect(img, None) img3 = cv2.drawKeypoints(img, star_kp, None, color=(255, 0, 0), flags=0) print(len(star_kp)) cv2.imshow("fastkpafter", img2) cv2.imshow("starkp", img3) cv2.waitKey(0) cv2.destroyAllWindows() 【接口】 BriefDescriptorExtractor_create cv.xfeatures2d.BriefDescriptorExtractor_create( [, bytes[, use_orientation]] ) -> retval bytes: 描述符的长度（字节），16， 32， 64use_orientation: 是否使用方向，默认不使用

其他见

【OpenCV-Python】教程：4-4 SIFT (Scale-Invariant Feature Transform) 介绍_黄金旺铺的博客-CSDN博客

【OpenCV-Python】教程：4-5 SURF （Speeded-Up Robust Features） 介绍_黄金旺铺的博客-CSDN博客

【OpenCV-Python】教程：4-6 FAST （Features from Accelerated Segment Test）算法角点检测_黄金旺铺的博客-CSDN博客

【参考】 OpenCV官方文档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.BriefDescriptorExtractor Class Reference