OpenCV学习笔记-BRIEF

原理转载自https://blog.csdn.net/luoshixian099/article/details/48338273，后面的代码是我用python实现的

还有两个博主的讲解也很清楚：点击打开链接，点击打开链接

传统的特征点描述子如SIFT,SURF描述子，每个特征点采用128维(SIFT)或者64维(SURF)向量去描述，每个维度上占用4字节，SIFT需要128×4=512字节内存，SURF则需要256字节。如果对于内存资源有限的情况下，这种描述子方法显然不适应。同时，在形成描述子的过程中，也比较耗时。后来有人提出采用PCA降维的方法，但没有解决计算描述子耗时的问题。

鉴于上述的缺点Michael Calonder等人在论文提出BRIEF描述特征点的方法(BRIEF:Binary Robust Independent Elementary Features)。BRIEF描述子采用二进制码串(每一位非1即0)作为描述子向量，论文中考虑长度有128,256,512几种，（OpenCV里默认使用256，但是使用字节表示它们的，所以这些值分别对应于16，32，63）同时形成描述子算法的过程简单，由于采用二进制码串，匹配上采用汉明距离，（一个串变成另一个串所需要的最小替换次数）。但由于BRIEF描述子不具有方向性，大角度旋转会对匹配上有很大的影响。

BRIRF只提出了描述特征点的方法，所以特征点的检测部分必须结合其他的方法，如SIFT,SURF等，但论文中建议与Fast结合，因为会更能体现出Brirf速度快等优点。

BRIEF描述子原理简要为三个步骤，长度为N的二进制码串作为描述子(占用内存N/8)：

1.以特征点P为中心，取一个S×S大小的Patch邻域；

2.在这个邻域内随机取N对点，然后对这2×N点分别做高斯平滑。定义τ测试，比较N对像素点的灰度值的大小；

3.最后把步骤2得到的N个二进制码串组成一个N维向量即可；

原理解析：

__1.关于做τ测试前，需要对随机点做高斯平滑，由于采用单个的像素灰度值做比较，会对噪声很敏感；采用高斯平滑图像，会降低噪声的影响，使得描述子更加稳定。论文中建议采用9×9的kernal。

__2.论文中对随机取N对点采用了5中不同的方法做测试，论文中建议采用G II的方法：

1、X和Y都服从在[-S/2，S/2]范围内的均匀分布，且相互独立；

2、X和Y都服从均值为0，方差为S²/25的高斯分布，且相互独立，即X和Y都以原点为中心，进行同方差的高斯分布；

3、X服从均值为0，方差为S²/25的高斯分布，而Y服从均值为x_i，方差为S²/100的高斯分布，即先确定X的高斯分布得到x_i，同方法2，然后以x_i为中心，进行高斯分布确定y_i；

4、在引入了空间量化的不精确极坐标网格的离散位置内，随机采样，得到x_i和y_i；

5、x_i固定在原点处，y_i是所有可能的极坐标网格内的值。

__3.最后汉明距离的计算，直接比较两二进制码串的距离，距离定义为：其中一个串变成另一个串所需要的最少操作。因而比欧氏距离运算速度快.

如果取N=128,即每个特征点需要128/8=16个字节内存大小作为其描述子。

具体代码：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt


img = cv.imread('img/lena.png')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# Initiate FAST detector
star = cv.xfeatures2d.StarDetector_create()
# Initiate BRIEF extractor
biref = cv.xfeatures2d.BriefDescriptorExtractor_create()

kp = star.detect(gray, None)
kp, des = biref.compute(gray, kp)
print(biref.descriptorSize())
print(des.shape)

cv.namedWindow('img',cv.WINDOW_AUTOSIZE)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

OpenCV学习笔记-BRIEF

猜你喜欢