简介
BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出，BRIEF是对已检测到的特征点进行描述，它是一种二进制编码的描述子，摈弃了利用区域灰度直方图描述特征点的传统方法，大大的加快了特征描述符建立的速度，同时也极大的降低了特征匹配的时间，是一种非常快速，很有潜力的算法。
BRIEF具体算法
由于BRIEF仅仅是特征描述子，所以事先要得到特征点的位置，可以利用FAST特征点检测算法或Harris角点检测算法或SIFT、SURF等算法检测特征点的位置。接下来在特征点邻域利用BRIEF算法建立特征描述符。
算法步骤如下：
1、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9x9）。
2、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）5x5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）
其中，p(x)，p(y)分别随机点x=(u1,v1),y=(u2,v2)所在5x5子窗口的像素和。
3、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）
以上便是BRIEF特征描述算法的步骤。
关于一对随机点的选择方法，原作者测试了以下5种方法，其中方法（2）比较好。
这5种方法生成的256对随机点如下（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，对于一幅图中的每一个特征点，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、两个特征编码对应bit位上相同元素的个数小于128的，一定不是配对的。
2、一幅图上特征点与另一幅图上特征编码对应bit位上相同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BRIEAF算法的函数及参数：
class CV_EXPORTS BriefDescriptorExtractor : public DescriptorExtractor
{
public:
static const int PATCH_SIZE = 48; //S为48即窗口为48x48
static const int KERNEL_SIZE = 9; //高斯滤波器窗口为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
...
...
...
}
对于参数的解释，写在参数定义后面。
在运行调试时，在观察窗口可以看到，在img1中检测到14个特征点，img2中检测到76个：
以img1为例，14个特征点，每个特征点用一个32字节（256bit）的二进制编码描述，则有：
进一步查看上图中第二个红框的信息，这表明特征描述子存放的位置，起始地址是：0x01c08030，结束地址为：0x01c081f0。
可以看到，这就是最终提取到的特征点描述编码了，一行32个字节，共14行，刚好对应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，结果如下：
可以看到，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，最终匹配效果见上面的实验结果图。
参考资料
1、BRIEF:Binary Robust Independent Elementary Features[J].2010 ECCV.
2、基于ORB特征的检测检测与跟踪的研究[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.
版权声明：本文为博主原创文章，未经博主允许不得转载。