EEPW论坛

OpenCV-Python系列之BRIEF算法

之前讨论过的SIFT算法以及SURF算法由于受到了专利的保护，在高版本的OpenCV中是没法使用的，这就有些强人所难了，但今天我们介绍一种算法，不仅更加简单，而且是免费使用的。

原理

在SIFT算法使用128维的描述符，因为使用float类型描述，所以需要512字节的内存。

在SURF算法中，以64维描述符来计算，至少需要256字节的内存。

在创建一个含有数千个特征的向量会消耗大量的内存，这种情况在资源的有限的设备上不实用，尤其是嵌入式设备。 此外，它们计算时间也非常漫长。

但是在实际的匹配过程中，不是所有的维数都需要。我们可以使用一些方法来对维数进行压缩，例如PCA（主成分分析）算法，和LDA（线性判别式分析）算法等等。甚至使用LSH（局部敏感哈希）算法，把SIFT的描述符从浮点数类型转化成二进制字符串，然后对这些字符串使用汉明距离来进行匹配。由于韩明距离的计算方法只需要使用亦或位运算和位计数，在带有SSE指令的现代的CPU上计算速度很快。

BRIEF算法由此产生，该算法提供了一个很简介的手段在不寻找描述符的情况下，去寻找二进制字符串。

大致过程如下：

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）

非常重要的一点是：BRIEF 是一种特征描述符，它不提供查找特征的方法。所以我们不得不使用其他特征检测器，比如 SIFT 和 SURF 等。原始文献推荐使用 CenSurE 特征检测器，这种算法很快。而且 BRIEF 算法对 CenSurE关键点的描述效果要比 SURF 关键点的描述更好。
简单来说 BRIEF 是一种对特征点描述符计算和匹配的快速方法。这种算法可以实现很高的识别率，除非出现平面内的大旋转。

接下来我们来进行代码演示，使用示例图片：

首先创建BRIEF描述符：

brief = cv2.xfeatures2d.BriefDescriptorExtractor_create(, bytes, use_orientation)

bytes：描述符中的值，用字节表示可取16, 32 (default) or 64，代表的值为 128，256，512

use_orientation：使用特征点方向的示例模式，默认情况下禁用。

创建 CenSurE 特征检测器（在OpenCV中称为STAR检测器）：

star = cv2.xfeatures2d.StarDetector_create(, maxSize, responseThreshold, lineThresholdProjected, lineThresholdBinarized, suppressNonmaxSize)

maxSize：最大尺寸，默认45

responseThreshold：响应阈值，默认30

lineThresholdProjected：线性投影阈值，默认10

lineThresholdBinarized：线性二值化阈值，默认8

suppressNonmaxSize：非极大抑制参数，默认5

计算在图像中检测到的一组特征点的描述符：

kp, des = brief.compute(img, kp)

image：输入图像

kp：输入特征点集合。无法计算描述符的特征点将被删除。有时可以添加新的特征点，例如:SIFT具有多个主导方向的重复特征点(对于每个方向)。

des：输出计算后的描述符，是一个矩阵。

def BRIEF(img):
     # 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)
     # draw only keypoints location,not size and orientation
     img2 = cv2.drawKeypoints(img, kp, None, color=(0, 255, 0), flags=0)
     plt.imshow(img2), plt.show()

结果：

进而看输出结果：

事实上，BRIEF虽然免费，不过由于其本身并不具有特征检测的功能，并且BRIEF的描述符在旋转的图像下表现很差劲，所以在之后我们将会介绍更加强大的同时速度更快的算法。