【特征检測】BRIEF特征点描写叙述算法

简单介绍

BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出，BRIEF是对已检測到的特征点进行描写叙述，它是一种二进制编码的描写叙述子，摈弃了利用区域灰度直方图描写叙述特征点的传统方法，大大的加快了特征描写叙述符建立的速度，同一时候也极大的减少了特征匹配的时间，是一种非常高速，非常有潜力的算法。

BRIEF详细算法

因为BRIEF不过特征描写叙述子。所以事先要得到特征点的位置，能够利用FAST特征点检測算法或Harris角点检測算法或SIFT、SURF等算法检測特征点的位置。

接下来在特征点邻域利用BRIEF算法建立特征描写叙述符。

算法过程例如以下：

1、为降低噪声干扰，先对图像进行高斯滤波（方差为2。高斯窗体为9x9）。

2、以特征点为中心，取SxS的邻域窗体。在窗体内随机选取一对（两个）点，比較二者像素的大小，进行例如以下二进制赋值。

当中，p(x)，p(y)各自是随机点x=(u1,v1),y=(u2,v2)的像素值。

3、在窗体中随机选取N对随机点，反复步骤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写叙述，即特征描写叙述子。（一般N=256）

以上便是BRIEF特征描写叙述算法的步骤。

关于一对随机点的选择方法。原作者測试了下面5种方法，当中方法（2）比較好。

这5种方法生成的256对随机点例如以下（一条线段的两个端点是一对）：

利用BRIEF特征进行配准

经过上面的特征提取算法，对于一幅图中的每个特征点，都得到了一个256bit的二进制编码。接下来对有相似或重叠部分的两幅图像进行配准。

特征配对是利用的汉明距离进行判决：

1、两个特征编码相应bit位上同样元素的个数小于128的，一定不是配对的。

2、一幅图上特征点与还有一幅图上特征编码相应bit位上同样元素的个数最多的特征点配成一对。

实验

opencv代码

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/features2d/features2d.hpp>
 
using namespace cv;
 
int main(int argc, char** argv)
{
    Mat img_1 = imread("img1.png");
    Mat img_2 = imread("img2.png");
 
    // -- Step 1: Detect the keypoints using STAR Detector
    std::vector<KeyPoint> keypoints_1,keypoints_2;
    StarDetector detector;
    detector.detect(img_1, keypoints_1);
    detector.detect(img_2, keypoints_2);
 
    // -- Stpe 2: Calculate descriptors (feature vectors)
    BriefDescriptorExtractor brief;
    Mat descriptors_1, descriptors_2;
    brief.compute(img_1, keypoints_1, descriptors_1);
    brief.compute(img_2, keypoints_2, descriptors_2);
 
    //-- Step 3: Matching descriptor vectors with a brute force matcher
    BFMatcher matcher(NORM_HAMMING);
    std::vector<DMatch> mathces;
    matcher.match(descriptors_1, descriptors_2, mathces);
    // -- dwaw matches
    Mat img_mathes;
    drawMatches(img_1, keypoints_1, img_2, keypoints_2, mathces, img_mathes);
    // -- show
    imshow("Mathces", img_mathes);
 
    waitKey(0);
    return 0;
}

实验结果

代码分析

在头文件features2d.hpp中定义了BRIEF算法的函数及參数：

class CV_EXPORTS BriefDescriptorExtractor : public DescriptorExtractor
{
public:
    static const int PATCH_SIZE = 48;	//S为48即窗体为48x48
    static const int KERNEL_SIZE = 9;	//高斯滤波器窗体为9x9
 
    // bytes is a length of descriptor in bytes. It can be equal 16, 32 or 64 bytes.
    BriefDescriptorExtractor( int bytes = 32 );//保存特征的空间为32字节，即32x8=256bit
	...
	...
	...
}

对于參数的解释，写在參数定义后面。

在执行调试时，在观察窗体能够看到，在img1中检測到14个特征点，img2中检測到76个：

以img1为例，14个特征点，每一个特征点用一个32字节（256bit）的二进制编码描写叙述，则有：

进一步查看上图中第二个红框的信息，这表明特征描写叙述子存放的位置，起始地址是：0x01c08030。结束地址为：0x01c081f0。

能够看到，这就是终于提取到的特征点描写叙述编码了。一行32个字节。共14行，刚好相应img1的14个特征点。同理可知img2中得到了76个特征编码。假如以img1中的特征为准。在img2中寻找与其匹配的特征点，结果例如以下：

能够看到，img1中的14个特征点依次与img2中的第74、47、... 、29特征点配成一对，终于匹配效果见上面的实验结果图。

BRIEF算法优劣

长处

1、计算速度快

缺点

1、对噪声敏感（由于二进制编码是通过比較详细像素值来判定的）

2、不具备旋转不变性

3、不具备尺度不变性

參考资料

1、BRIEF:Binary Robust Independent Elementary Features[J].2010 ECCV.

2、基于ORB特征的检測检測与跟踪的研究[硕士论文],谢成明,2013.

3、基于ORB特征和粒子滤波的目标跟踪算法研究[硕士论文],章杰,2014.

4、基于ORB和改进RANSAC算法的图像拼接技术[J],2015.