BRIEF特征点描述子

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的邻域窗口。在窗口内随机选取一对（两个）点，比较二者像素的大小，进行如下二进制赋值。

其中，p(x)，p(y)分别是随机点x=(u1,v1),y=(u2,v2)的像素值。

3、在窗口中随机选取N对随机点，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。

 

 

(一)BRIEF描述子

 

          在ORB特征提取的第一步根据FAST角点检测算法检测出特征点(角点、兴趣点、关键点)之后，我们需要以某种方式来描述这些特征点的属性。对于这些特征点的描述算法，我们称之为特征点的描述子(Feature DescritorS).ORB特征提取算法采用BRIEF描述子来描述这些特征点的属性。

 

        BRIEF算法的核心思想是在关键点P的周围以一定的方式选取N个点对，然后把这N个点对的边角结果组合起来作为该关键点的描述子。具体来讲，可以分为以下几步:

 

        1)以关键点P为圆心，以R为半径huayuan

 

        2)在圆O内某一区域选取N个点对。这里为了方便说明，我们假设N=4,即我们在圆区域内选取4对点对，在实际应用中，我们可以选取512对点对。假设选取的4对点对分别为：P1(A,B)，P2(A,B)，P3(A,B)，P4(A,B)

 

        3)我们定义操作T(P(A,B))为:                        1   ;   A>B

 

                                                       T(P(A,B))  =  

                                                         0  ;  A<=B

        4)分别对已经选取的点对进行T操作，将得到的结果进行组合。如下所示:

            那么，这个关键点最终的描述子为：1011

(二)理想特征点的描述子应该具备哪些属性呢？

       在现实生活中，我们从不同的距离、不同的方向、不同的角度、不同的光照条件下观察一个物体时，物体的大小、形状、亮度分布都会有所不同。但是，我们的大脑中依然可以判断它是同一个物体。理想的特征描述子就应该具备这样的性质。即对于大小、方向旋转、灰度亮度变化的图像中，同一特征点应该具有相似的特征描述子，我们将此称为描述子的可复现性。

         当我们以理想的方式计算图像中关键点的描述子的时候，同样的特征点，在不同的图像中应该具有相同的结果。即描述子对于光照、旋转、尺度具有一定的鲁棒性。

      上面我们用BRIEF算法得到的描述子并不具备以上这些性质。因此，我们得想办法改进我们的算法。ORB并没有解决尺度一致性的问题，OpenCv中实现的ORB算法采用图像金字塔来改善这方面的性能。ORB算法主要解决了BRIEF描述子不具有旋转不变性的问题。

       回顾一下BRIEF描述子的计算过程：在当前关键点P的周围以一定方式选取N个点对，组合这N个点对的T操作的结果，这个组合结果就为这个关键点最终的描述子。当我们选取点对的时候，是以当前关键点为原点，以水平方向为X轴，以垂直方向为Y轴建立坐标系。当图片发生旋转时，坐标系不变，同样的取点模式，取出来的点却不一样，计算得到的描述子也不一样，这是不符合我们要求的。因此，我们需要重新建立坐标系，使新的坐标系可以随着图片的旋转而旋转。这样我们以相同的取点模式取出来的点就具有一致性。

      打个比方，我们有一个印章，上面刻着一些直线。用这个印章在一张图片上盖一个章子，图片上的某个点被取出来。印章不变动的情况下，转动下图片，再盖一个章子，但是这次取出来的点对就和之前的不一样。为了使2次取出来的点一样，我们需要将章子也旋转同一个角度，再盖章。ORB在计算BRIEF描述子的时候，建立的坐标系是以关键点为圆心，以关键点和取点区域的形心的连线为X轴建立的2维坐标系 。在下图中，P为关键点。圆内为取点的区域，每个小格子代表一个像素。现在我们把这块圆心看做一块木板，木板上每个点的质量等于其对应的像素值。根据积分学的知识，我们可以求出这个密度不均匀木板的质心Q。计算公式如下所示，其中R为圆的半径。我们知道圆心是固定的，而且随着物体的旋转而旋转，当我们以PQ为坐标时，在不同的旋转角度下，我们以同一取点模式取出来的点是一致的，这就解决了旋转一致性的问题。

 

转自：http://blog.csdn.net/maweifei/article/details/62889699

　　　http://blog.csdn.net/hujingshuang/article/details/46910259