opencv python BRIEF描述子

BRIEF (Binary Robust Independent Elementary Features)

理论

我们知道SIFT使用128-dim向量作为描述符，由于它使用浮点数，因此基本上需要512个字节，类似地，SURF也至少需要256个字节（对于64-dim），为数千个特征创建这样的向量需要大量的内存，这对于资源约束应用程序尤其是嵌入式系统是不可行的，内存越大，匹配所需的时间越长.

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（Locality Sensitive Hashing）等散列的其他方法也可以将浮点数中的这些SIFT描述符转换为二进制字符串.

BRIEF：一种对已检测到的特征点进行描述的算法，它是一种二进制编码的描述子，在图像匹配时使用BRIEF能极大的提升匹配速度.

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9x9）
• ·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）

$$\tau(p;x,y):=\begin{cases}1,\quad if p(x) < p(y)\\0,\quad otherwise\end{cases}$$

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.

• ·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）

NOTE：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.

BRIEF in OpenCV

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

img = cv2.imread('img5.png',0)
# Initiate FAST detector
star = cv2.xfeatures2d.StarDetector_create()

# Initiate BRIEF extractor
brief = cv2.xfeatures2d.BriefDescriptorExtractor_create()

# find the keypoints with STAR
kp = star.detect(img,None)

# compute the descriptors with BRIEF
kp, des = brief.compute(img, kp)

print( brief.descriptorSize() )
print( des.shape )

输出：
Backend TkAgg is interactive backend. Turning interactive mode on.
32
(61, 32)

NOTE:需要安装opencv-contrib-python