FROM:http://www.cnblogs.com/ronny/p/4081362.html

Binary Robust Independent Elementary Features

www.cnblogs.com/ronny

1. BRIEF的基本原理

我們已經(jīng)知道SIFT特征采用了128維的特征描述子，由于描述子用的浮點(diǎn)數(shù)，所以它將會占用512 bytes的空間。類似地，對于SURF特征，常見的是64維的描述子，它也將占用256bytes的空間。如果一幅圖像中有1000個特征點(diǎn)（不要驚訝，這是很正常的事），那么SIFT或SURF特征描述子將占用大量的內(nèi)存空間，對于那些資源緊張的應(yīng)用，尤其是嵌入式的應(yīng)用，這樣的特征描述子顯然是不可行的。而且，越占有越大的空間，意味著越長的匹配時間。

?

但是實(shí)際上SFIT或SURF的特征描述子中，并不是所有維都在匹配中有著實(shí)質(zhì)性的作用。我們可以用PCA、LDA等特征降維的方法來壓縮特征描述子的維度。還有一些算法，例如LSH，將SIFT的特征描述子轉(zhuǎn)換為一個二值的碼串，然后這個碼串用漢明距離進(jìn)行特征點(diǎn)之間的匹配。這種方法將大大提高特征之間的匹配，因?yàn)闈h明距離的計算可以用異或操作然后計算二進(jìn)制位數(shù)來實(shí)現(xiàn)，在現(xiàn)代計算機(jī)結(jié)構(gòu)中很方便。下面來們提取一種二值碼串的特征描述子。

?

BRIEF[1]應(yīng)運(yùn)而生，它提供了一種計算二值串的捷徑，而并不需要去計算一個類似于SIFT的特征描述子。它需要先平滑圖像，然后在特征點(diǎn)周圍選擇一個Patch，在這個Patch內(nèi)通過一種選定的方法來挑選出來nd個點(diǎn)對。然后對于每一個點(diǎn)對(p,q)，我們來比較這兩個點(diǎn)的亮度值，如果I(p)>I(q)則這個點(diǎn)對生成了二值串中一個的值為1，如果I(p)<I(q)，則對應(yīng)在二值串中的值為-1，否則為0。所有nd個點(diǎn)對，都進(jìn)行比較之間，我們就生成了一個nd長的二進(jìn)制串。

?

對于nd的選擇，我們可以設(shè)置為128，256或512，這三種參數(shù)在OpenCV中都有提供，但是OpenCV中默認(rèn)的參數(shù)是256，這種情況下，非匹配點(diǎn)的漢明距離呈現(xiàn)均值為128比特征的高斯分布。一旦維數(shù)選定了，我們就可以用漢明距離來匹配這些描述子了。

值得注意的是，對于BRIEF，它僅僅是一種特征描述符，它不提供提取特征點(diǎn)的方法。所以，如果你必須使一種特征點(diǎn)定位的方法，如FAST、SIFT、SURF等。這里，我們將使用CenSurE方法來提取關(guān)鍵點(diǎn)，對BRIEF來說，CenSurE的表現(xiàn)比SURF特征點(diǎn)稍好一些。

總體來說，BRIEF是一個效率很高的提取特征描述子的方法，同時，它有著很好的識別率，但當(dāng)圖像發(fā)生很大的平面內(nèi)的旋轉(zhuǎn)。

2. 關(guān)于點(diǎn)對的選擇

設(shè)我們在特征點(diǎn)的鄰域塊大小為S×S內(nèi)選擇nd個點(diǎn)對(p,q)，Calonder的實(shí)驗(yàn)中測試了5種采樣方法：

1）在圖像塊內(nèi)平均采樣；

2）p和q都符合(0,125S2)的高斯分布；

3）p符合(0,125S2)的高斯分布，而q符合(0,1100S2)的高斯分布；

4）在空間量化極坐標(biāo)下的離散位置隨機(jī)采樣

5）把p固定為(0,0)，q在周圍平均采樣

下面是上面5種采樣方法的結(jié)果示意圖。

?

2. OpenCV實(shí)現(xiàn)BRIEF

#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("box.png"); Mat img_2 = imread("box_in_scene.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; }

?

[1] 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.

總結(jié)

以上是生活随笔為你收集整理的BRIEF 特征描述子的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。