注释：本文翻译自OpenCV3.0.0 document->OpenCV-Python Tutorials，包括对原文档种错误代码的纠正
1.概述
SIFT使用具有128个浮点数的特征描述符。 考虑成千上万个这样的特征 。 它需要大量的内存和更多的时间进行匹配。 我们可以压缩它以使其更快。 但是我们仍然必须先计算它。这里有BRIEF，它提供了寻找具有更少内存的二进制描述符的快捷方式，更快的匹配以及更高的识别率。
2.目标
在这一章中，我们将看到BRIEF算法的基础知识
3.理论
我们知道SIFT使用128-dim矢量描述符。由于它使用浮点数，所以基本上需要512个字节。同样，SURF也至少需要256个字节(对于64-dim)。为数千个特征创建一个向量需要大量内存，这对于资源约束应用程序尤其是嵌入式系统来说是不可行的。内存越大，匹配时间越长。
但是实际匹配可能不需要所有这些维度。我们使用PCA、LDA等几种方法对其进行压缩。即使使用LSH(局部敏感散列)等散列方法，也可以将浮点数中的这些SIFT描述符转换为二进制字符串，这些二进制字符串用于匹配使用汉明距离的特征，这提供了更好的加速，因为查找汉明距离只是应用XOR和位计算，在具有SSE指令的现代CPU中非常快。但是在这里，我们首先需要找到描述符，然后我们只能应用散列，这并不能解决我们最初的内存问题。
此刻BRIEF进入画面。它提供了查找二进制字符串的快捷方式，无需查找描述符。它采用平滑图像补丁并以独特的方式选择一组
这个
重要的一点是BRIEF是一个特征描述符，它不提供任何方法来查找特征。因此，你不得不使用任何其它特征探测器，如SIFT、SURF等。本文建议使用CenSurE，它是一种快速检测器，而且对于CenSurE点，BRIEF比SURF点的效果稍好。
总之，BRIEF是一种更快的方法特征描述符计算和匹配。除非有大的面内旋转，否则它还提供高识别率。
4.OpenCV中的BRIEF
下面的代码显示了借助CenSurE探测器计算BRIEF描述符。（CenSurE探测器在OpenCV中称为STAR探测器）
# -*- coding: utf-8 -*-
'''
二进制独立鲁棒特征
BRIEF(Binary Robust Independent Elementary Features)
1.SIFT使用128-dim矢量描述符，由于它使用浮点数，所以基本上需要512个字节。
2.同样SURF也至少需要256字节(对于64-dim)。
问题就是：为数千个特征创建一个向量需要大量内存，这对于资源约束程序尤其是嵌入式系统来说是不行的，内存越大匹配时间越长。
但实际匹配可能不需要所有这些维度，可以使用PCA、LDA等几种降维算法进行压缩。
BRIEF实际上是一个特征描述符，不提供任何方法来查找特征。因此不得不使用其它特征检测器，如SIFT，SURF等。
还有CenSurE，它是一种快速检测器，而且比SIFT和SURF效果稍好。
In total，BRIEF是一种更快的方法特征描述符计算和匹配。除非有大的面内旋转，否则它还提供高识别率。
下面的Demo：借助CenSurE探测器计算BRIEF描述符。(CenSurE探测器在OpenCV中称为STAR探测器)
'''
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('5.jpg', 0)
# 初始化STAR探测器,官网文档中是star = cv2.FeatureDetector_create()对于这个版本是错误的！
star = cv2.xfeatures2d.StarDetector_create()
print('help of FeatureDetector_create', help(star))
# 初始化BRIEF探测器，官网文档是brief = cv2.DescriptorExtractor_create("BRIEF")，对于这个版本也是错误的
brief = cv2.xfeatures2d.BriefDescriptorExtractor_create()
print('help of brief', help(brief))
# 用star找到关键点
kp = star.detect(img, None)
# 用BRIEF计算描述符
kp, des = brief.compute(img, kp)
'''
下一步的工作是匹配：
'''