BRIEF特征點描述子

簡介

         BRIEF是2010年的一篇名為《BRIEF:Binary Robust Independent Elementary Features》的文章中提出，BRIEF是對已檢測到的特征點進行描述，它是一種二進制編碼的描述子，擯棄了利用區域灰度直方圖描述特征點的傳統方法，大大的加快了特征描述符建立的速度，同時也極大的降低了特征匹配的時間，是一種非常快速，很有潛力的算法。

BRIEF具體算法

         由於BRIEF僅僅是特征描述子，所以事先要得到特征點的位置，可以利用FAST特征點檢測算法或Harris角點檢測算法或SIFT、SURF等算法檢測特征點的位置。接下來在特征點鄰域利用BRIEF算法建立特征描述符。

算法步驟如下：

1、為減少噪聲干擾，先對圖像進行高斯濾波（方差為2，高斯窗口為9x9）。

2、以特征點為中心，取SxS的鄰域窗口。在窗口內隨機選取一對（兩個）點，比較二者像素的大小，進行如下二進制賦值。

其中，p(x)，p(y)分別是隨機點x=(u1,v1),y=(u2,v2)的像素值。

3、在窗口中隨機選取N對隨機點，重復步驟2的二進制賦值，形成一個二進制編碼，這個編碼就是對特征點的描述，即特征描述子。（一般N=256）

以上便是BRIEF特征描述算法的步驟。

關於一對隨機點的選擇方法，原作者測試了以下5種方法，其中方法（2）比較好。

這5種方法生成的256對隨機點如下（一條線段的兩個端點是一對）：

利用BRIEF特征進行配准

經過上面的特征提取算法，對於一幅圖中的每一個特征點，都得到了一個256bit的二進制編碼。接下來對有相似或重疊部分的兩幅圖像進行配准。

特征配對是利用的漢明距離進行判決：

1、兩個特征編碼對應bit位上相同元素的個數小於128的，一定不是配對的。

2、一幅圖上特征點與另一幅圖上特征編碼對應bit位上相同元素的個數最多的特征點配成一對。

 

 

(一)BRIEF描述子

 

           在ORB特征提取的第一步根據FAST角點檢測算法檢測出特征點(角點、興趣點、關鍵點)之后，我們需要以某種方式來描述這些特征點的屬性。對於這些特征點的描述算法，我們稱之為特征點的描述子(Feature DescritorS).ORB特征提取算法采用BRIEF描述子來描述這些特征點的屬性。

 

        BRIEF算法的核心思想是在關鍵點P的周圍以一定的方式選取N個點對，然后把這N個點對的邊角結果組合起來作為該關鍵點的描述子。具體來講，可以分為以下幾步:

 

        1)以關鍵點P為圓心，以R為半徑huayuan

 

        2)在圓O內某一區域選取N個點對。這里為了方便說明，我們假設N=4,即我們在圓區域內選取4對點對，在實際應用中，我們可以選取512對點對。假設選取的4對點對分別為：P1(A,B)，P2(A,B)，P3(A,B)，P4(A,B)

 

        3)我們定義操作T(P(A,B))為:                        1   ;   A>B

 

                                                       T(P(A,B))  =  

                                                         0  ;  A<=B

        4)分別對已經選取的點對進行T操作，將得到的結果進行組合。如下所示:

            那么，這個關鍵點最終的描述子為：1011

(二)理想特征點的描述子應該具備哪些屬性呢？

       在現實生活中，我們從不同的距離、不同的方向、不同的角度、不同的光照條件下觀察一個物體時，物體的大小、形狀、亮度分布都會有所不同。但是，我們的大腦中依然可以判斷它是同一個物體。理想的特征描述子就應該具備這樣的性質。即對於大小、方向旋轉、灰度亮度變化的圖像中，同一特征點應該具有相似的特征描述子，我們將此稱為描述子的可復現性。

         當我們以理想的方式計算圖像中關鍵點的描述子的時候，同樣的特征點，在不同的圖像中應該具有相同的結果。即描述子對於光照、旋轉、尺度具有一定的魯棒性。

      上面我們用BRIEF算法得到的描述子並不具備以上這些性質。因此，我們得想辦法改進我們的算法。ORB並沒有解決尺度一致性的問題，OpenCv中實現的ORB算法采用圖像金字塔來改善這方面的性能。ORB算法主要解決了BRIEF描述子不具有旋轉不變性的問題。

       回顧一下BRIEF描述子的計算過程：在當前關鍵點P的周圍以一定方式選取N個點對，組合這N個點對的T操作的結果，這個組合結果就為這個關鍵點最終的描述子。當我們選取點對的時候，是以當前關鍵點為原點，以水平方向為X軸，以垂直方向為Y軸建立坐標系。當圖片發生旋轉時，坐標系不變，同樣的取點模式，取出來的點卻不一樣，計算得到的描述子也不一樣，這是不符合我們要求的。因此，我們需要重新建立坐標系，使新的坐標系可以隨着圖片的旋轉而旋轉。這樣我們以相同的取點模式取出來的點就具有一致性。

      打個比方，我們有一個印章，上面刻着一些直線。用這個印章在一張圖片上蓋一個章子，圖片上的某個點被取出來。印章不變動的情況下，轉動下圖片，再蓋一個章子，但是這次取出來的點對就和之前的不一樣。為了使2次取出來的點一樣，我們需要將章子也旋轉同一個角度，再蓋章。ORB在計算BRIEF描述子的時候，建立的坐標系是以關鍵點為圓心，以關鍵點和取點區域的形心的連線為X軸建立的2維坐標系 。在下圖中，P為關鍵點。圓內為取點的區域，每個小格子代表一個像素。現在我們把這塊圓心看做一塊木板，木板上每個點的質量等於其對應的像素值。根據積分學的知識，我們可以求出這個密度不均勻木板的質心Q。計算公式如下所示，其中R為圓的半徑。我們知道圓心是固定的，而且隨着物體的旋轉而旋轉，當我們以PQ為坐標時，在不同的旋轉角度下，我們以同一取點模式取出來的點是一致的，這就解決了旋轉一致性的問題。

 

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

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