特征描述子算法——BRIEF
- 一、算法简介
- 二、算法原理
- 1、以特征点为中心，取大小为 S x S 的区域p，区域的四条边分别都与坐标轴垂直或平行
- 2、采用方差为σ，卷积核大小为 N x N 的高斯滤波器对区域p每一点进行高斯平滑处理
- 3、计算
- 4、计算 维的位字符串（即特征点的描述子）
- 三、算法优点
- 四、算法缺点
- 五、小贴士
- 六、参考文章
一、算法简介
BRIEF是2010年ECCV会议上提出的一种以二进制字符串作为特征点的描述子。
二、算法原理
1、以特征点为中心，取大小为 S x S 的区域p，区域的四条边分别都与坐标轴垂直或平行
（原作者取值：S=31）
2、采用方差为σ，卷积核大小为 N x N 的高斯滤波器对区域p每一点进行高斯平滑处理
（原作者认为1<σ<3时，识别率效果好；原作者取值：σ=2，N=9）
3、计算
其中，p(x)是经过高斯平滑后x(u,v)处的像素强度，p(y)是经过高斯平滑后y(u,v)处的像素强度，x,y点对随机选择。
(x，y)点对选取方法如下所示：
选取方法的可视化如下：
（原作者通过实验发现选取方法2效果最好）
4、计算 维的位字符串（即特征点的描述子）
其中， 为点对数（描述子位数），一般取128,256,512。（原作者通过实验发现取512效果最好，取256效果略差于取512的效果，取128效果不太好）
三、算法优点
1、占用内存小
2、具备很好的识别性能
3、运行时间很短
四、算法缺点
1、不具备旋转不变性。（当两幅需要匹配的图像旋转角度过大（大概30以上），识别效果就很差）
2、不具备尺度不变性
五、小贴士
1、虽然说x,y点对随机选择，但是OpenCV源码实现的时候，其实是固定了模式的了。x取啥，y就会通过一个式子算出来，取啥。
2、两幅图像的BRIEF得到的特征描述子匹配的时候，他们采样方式、滤波方式、x，y点对的选择都是一致的。
3、通过BRIEF得到特征描述子后，计算需要匹配的特征点的汉明距离，两个特征点的汉明距离越小，代表他们匹配度越高。汉明距离是两个字符串对应位置的不同字符的个数。
4、BRIEF不能得到特征点，需要用其他方法（例如：fast）得到特征点后，才能利用BRIEF方法得到特征描述子。
5、为了很好的解决BRIEF不具备旋转不变性的问题，再得到特征点后，需要计算这个特征点的主方向，将主方向与u轴方向设置成一致，这样就能很好的解决该问题了。
六、参考文章
1、BRIEF特征点描述算法详解2、BRIEF特征提取(理解篇)
3、图像特征提取（三）——SURF特征提取算法详解
4、数字图像处理（四）图像增强之普通平滑、高斯平滑、laplacian、sobelprewitt锐化
