BRIEF特征简介
引言
该文是由EPFL的Calonder在ECCV2010上提出了一种可以快速计算且表达方式为二进制编码的描述子。主要思路就是在特征点附近随机选取若干点对，将这些点对的灰度值的大小，组合成一个二进制串，并将这个二进制串作为该特征点的特征描述子。
算法描述
首先，该文特征点提取算法与SIFT一致，也可以仿照SURF算法。在此，主方向的计算在此省略(更为详见,参考资料[1])，因该描述子针对的是两幅小角度偏转(30°以内)图像的特征点匹配。
其次，描述子的建立过程：
- 选定建立描述子的区域（特征点的一个正方形邻域）。
- 对该邻域用σ=2的高斯核卷积，以消除一些噪声。因为该描述子随机性强，对噪声较为敏感。
- 以一定的随机化算法生成点对<x,y>，若点x的亮度小于点y的亮度，则返回值1，否则返回0。
- 重复第三步若干次（如256次），得到一个256位的二进制编码，即该特征点的描述子。
最后，在匹配时只需计算两特征点描述子的Hamming距离。判断是否匹配的依据：经过大量实验数据测试，不匹配特征点的描述子的Hamming距离在128左右，匹配点对描述子的Hamming距离则远小于128。
算法优缺点与结果比较
BRIEF算法优缺点，首先，它抛弃了传统的用梯度直方图描述区域的方法，改用检测随机响应，大大加快了描述子建立速度；生成的二进制描述子便于高速匹配（计算Hamming距离只需通过异或操作加上统计二进制编码中“1”的个数的操作，这些通过底层的运算即可实现），且便于在硬件上实现。其次、本描述子的缺点很明显就是旋转不变性较差，需要通过新的方法来改进。
结果比较：第一、在旋转不是非常厉害的图像里，用BRIEF生成的描述子的匹配质量非常高，作者测试的大多数情况中都超越了SURF。但在旋转大于30°后，BRIEF的匹配率快速降到0左右；第二、BRIEF的耗时非常短，在相同情形下计算512个特征点的描述子时，SURF耗时335ms,BRIEF仅8.18ms；匹配SURF描述子需28.3ms，BRIEF仅需2.19ms。在要求不太高的情形下，BRIEF描述子更容易做到实时。
BRIEF的主要思想是在特征点的附近随机选取若干个点对，这些点对的灰度值组成一个二进制串，并将这个二进制串作为该特征的特征描述子
BRIEF的有点在于速度，缺点也很明显
1：不具备旋转不变性
2：对噪声敏感
3：不具备尺度不变性
代码：http://cvlab.epfl.ch/research/detect/brief/
算法评估：http://computer-vision-talks.com/articles/2011-08-19-feature-descriptor-comparison-report/
综合考虑速度和性能，ORB是最好的，ORB的出现就是为了解决BRIEF的前面两个缺点
参考资料
[1]Calonder M., Lepetit V., Strecha C., Fua P.:BRIEF: Binary Robust Independent Elementary Features. ECCV 2010
参考博客：http://blog.csdn.net/songzitea/article/details/18272559
关于其他图像特征点描述子：
局部图像特征描述是计算机视觉的一个基本研究问题，在寻找图像中的对应点以及物体特征描述中有着重要的作用。它是许多方法的基础，因此也是目前视觉研究中的一个热点，每年在视觉领域的顶级会议ICCV/CVPR/ECCV上都有高质量的特征描述论文发表。同时它也有着广泛的应用，举例来说，在利用多幅二维图像进行三维重建、恢复场景三维结构的应用中，其基本出发点是要有一个可靠的图像对应点集合，而自动地建立图像之间点与点之间的可靠对应关系通常都依赖于一个优秀的局部图像特征描述子。又比如，在物体识别中，目前非常流行以及切实可行的方法之一是基于局部特征的，由于特征的局部性，使得物体识别可以处理遮挡、复杂背景等比较复杂的情况。
局部图像特征描述的核心问题是不变性（鲁棒性）和可区分性。由于使用局部图像特征描述子的时候，通常是为了鲁棒地处理各种图像变换的情况。因此，在构建/设计特征描述子的时候，不变性问题就是首先需要考虑的问题。在宽基线匹配中，需要考虑特征描述子对于视角变化的不变性、对尺度变化的不变性、对旋转变化的不变性等；在形状识别和物体检索中，需要考虑特征描述子对形状的不变性。
然而，特征描述子的可区分性的强弱往往和其不变性是矛盾的，也就是说，一个具有众多不变性的特征描述子，它区分局部图像内容的能力就稍弱；而如果一个非常容易区分不同局部图像内容的特征描述子，它的鲁棒性往往比较低。举个例子，假定我们需要对一个点周围固定大小的局部图像内容进行描述。如果我们直接将图像内容展开成一个列向量对其进行描述，那么只要局部图像内容发生了一点变化，就会使得它的特征描述子发生较大的变化，因此这样的特征描述方式很容易区分不同的局部图像内容，但是对于相同的局部图像内容发生旋转变化等情况，它同样会产生很大的差异，即不变性弱。
而另一方面，如果我们通过统计局部图像灰度直方图来进行特征描述，这种描述方式具有较强的不变性，对于局部图像内容发生旋转变化等情况比较鲁棒，但是区分能力较弱，例如无法区分两个灰度直方图相同但内容不同的局部图像块。
综上所述，一个优秀的特征描述子不仅应该具有很强不变性，还应该具有很强的可区分性。
在诸多的局部图像特征描述子中，SIFT（Scale Invariant Feature Transform）是其中应用最广的，它在1999年首次提出，至2004年得到完善。SIFT的提出也是局部图像特征描述子研究领域一项里程碑式的工作。由于SIFT对尺度、旋转以及一定视角和光照变化等图像变化都具有不变性，并且SIFT具有很强的可区分性，自它提出以来，很快在物体识别、宽基线图像匹配、三维重建、图像检索中得到了应用，局部图像特征描述子在计算机视觉领域内也得到了更加广泛的关注，涌现了一大批各具特色的局部图像特征描述子。
SURF（Speeded Up Robust Features）是对SIFT的改进版本，它利用Haar小波来近似SIFT方法中的梯度操作，同时利用积分图技术进行快速计算，SURF的速度是SIFT的3-7倍，大部分情况下它和SIFT的性能相当，因此它在很多应用中得到了应用，尤其是对运行时间要求高的场合。
DAISY是面向稠密特征提取的可快速计算的局部图像特征描述子，它本质思想和SIFT是一样的：分块统计梯度方向直方图，不同的是，DAISY在分块策略上进行了改进，利用高斯卷积来进行梯度方向直方图的分块汇聚，这样利用高斯卷积的可快速计算性就可以快速稠密地进行特征描述子的提取。比较巧合的是，DAISY这种特征汇聚策略被一些研究者（Matthen Brown，Gang Hua，Simon Winder）通过机器学习的方法证明相对于其他几种特征汇聚策略（卡迪尔坐标下分块、极坐标下分块）是最优的。
ASIFT（Affine SIFT）通过模拟所有成像视角下得到的图像进行特征匹配，可以很好地处理视角变化的情况，尤其是大视角变化下的图像匹配。
MROGH（Multi-support Region Order-based Gradient Histogram）则是特征汇聚策略上寻求创新，之前的局部图像特征描述子，其特征汇聚策略都是基于邻域内点的几何位置的，而MROGH基于点的灰度序进行特征汇聚。
BRIEF（Binary Robust Independent Element Feature）利用局部图像邻域内随机点对的灰度大小关系来建立局部图像特征描述子，得到的二值特征描述子不仅匹配速度快，而且存储要求内存低，因此手机应用中具有很好的应用前景。其实，利用邻域内点对的灰度大小关系进行特征描述这一思想在SMD（ECCV’08）中就已经有了。
除了BRIEF，近两年还提出了许多二值特征描述子，例如ORB、BRISK、FREAK。上述这些特征描述子都是基于手动设计得到的，也有一些研究试图利用机器学习的方法，通过数据驱动得到想要的特征描述子。这类特征描述子包括PCA-SIFT，Linear Discriminative Embedding，LDA-Hash等。当然，除了提到的这些特征描述子之外，还有许多其他的特征描述子，在这就不再一一叙述了。
国际上研究局部图像特征描述子比较著名的学者有：
英国Surrey大学的Mikolajzyk，他在INRIA做博后的时候，在宽基线应用背景下，对SIFT、Shape Context、PCA-SIFT、不变矩等多种局部图像描述子的性能进行了评测，相关论文发表在2005年PAMI上，他提出来的评测方法至今仍是局部图像描述子研究领域中广泛采用的性能评测方法。
INRIA的C. Schmid，她九十年代就开始研究局部图像描述方法了，是这个领域内的元老之一，不过这几年她的团队正在将重心转向大规模图像检索和行为识别等应用中。
比利时Leuven大学的Tinne Tuytelaars，她是著名的SURF描述子的提出者，SURF相关的论文于2011年获得CVIU引用最多论文奖，她写了三篇局部图像特征描述相关的综述文章，分别是“Local Invariant Feature Detectors: A Survey”，“Local Image Features”和“Wide baseline matching”。
英国Oxford大学的Andrea Valida，他是Vlfeat的发起者和主要作者。Vlfeat是一个开源程序，其中包括了SIFT、MSER，被许多研究者广泛采用。Vlfeat目前正在逐渐实现其他常用的特征描述子。
瑞士EPFL的Vincent Lepetit和Pascal Fua，他们的团队主要致力于发展快速、高效的局部图像特征描述子，用于模板匹配、三维重建、虚拟现实等应用。他们的工作包括用于稠密立体匹配的DAISY特征描述子，基于Random Trees的模板匹配方法，基于Random Ferns的模板匹配方法。此外，LDA-Hash、BRIEF、D-BRIEF（ECCV 2012）也是他们的杰作。
中国科学院自动化研究所的吴福朝研究员，他在这方面也做了比较深入的研究，并提出了许多不错的局部图像特征提取和描述方法。这些名字都是我们在读论文的时候会经常看到的。