BRIEF 特征点描述算法

一、BRIEF特征点描述算法简介
  BRIEF是Binary Robust Independent Elementary Features的缩写。这个特征描述子是由EPFL的Calonder在ECCV2010上提出的。主要思路就是在特征点附近随机选取若干点对，将这些点对的灰度值的大小，组合成一个二进制串，并将这个二进制串作为该特征点的特征描述子。这种方法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，所以它是一种非常快速的算法，可应用于满足实时性的系统。
  需要注意的是BRIEF算法是特征点描述子算法，它是用于对已检测到的特征点进行描述的，所以其不涉及特征点的检测，我们常使用其它方法来进行特征点的检测，例如：FAST、SIFT、SURF或Harris等特征点检测算法。

二、BRIEF算法的具体步骤
  （1）建立特征点的一个正方形邻域。
  （2）对该邻域用σ=2的高斯核卷积，以消除一些噪声。这是因为该描述子随机性强，对噪声较为敏感。
  （3）以一定的随机化算法生成点对< x,y>，若点x的亮度小于点y的亮度，则返回值1，否则返回0。
  （4）重复第三步若干次（如256次），得到一个256位的二进制编码，即该特征点的描述子。

三、随机点对的选取
  设我们在特征点的邻域块大小为S×S内选择n_d个点对(p,q)，Calonder的实验中测试了5种采样方法：
  （1）在图像块内平均采样；
  （2）p和q都符合(0 , 1/25 S²)(0 , 1/25 S²)的高斯分布；
  （3）p符合(0,1/25 S²)(0,1/25 S²)的高斯分布，而q符合(0,1/100 S²)(0,1/100 S²)的高斯分布；
  （4）在空间量化极坐标下的离散位置随机采样；
  （5）把p固定为(0,0)，q在周围平均采样。
  下面是上面5种采样方法的结果示意图。

四、特征点匹配
  对特征点进行匹配，这时计算两特征点描述子的Hamming距离。判断是否匹配的依据：经过大量实验数据测试，不匹配特征点的描述子的Hamming距离在128左右，匹配点对描述子的Hamming距离则远小于128。
  注：Hamming距离：表示两个（相同长度）字对应位不同的数量。具体来说，就是对两个字符串进行异或运算，并统计结果为1的个数，那么这个数就是汉明距离。
  总的来说，特征配对就是利用汉明距离来进行相关判断：
  （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。

五、OpenCV中的实例
1、代码

#include <opencv2/core/core.hpp>   #include <opencv2/highgui/highgui.hpp>   #include <opencv2/imgproc/imgproc.hpp>   #include <opencv2/features2d/features2d.hpp>  using namespace cv;int main(int argc, char** argv){    Mat img_1 = imread("1.png");    Mat img_2 = imread("2.png");    // -- Step 1: Detect the keypoints using STAR Detector       std::vector<KeyPoint> keypoints_1, keypoints_2;    StarDetector detector;    detector.detect(img_1, keypoints_1);    detector.detect(img_2, keypoints_2);    // -- Stpe 2: Calculate descriptors (feature vectors)       BriefDescriptorExtractor brief;    Mat descriptors_1, descriptors_2;    brief.compute(img_1, keypoints_1, descriptors_1);    brief.compute(img_2, keypoints_2, descriptors_2);    //-- Step 3: Matching descriptor vectors with a brute force matcher       BFMatcher matcher(NORM_HAMMING);    std::vector<DMatch> mathces;    matcher.match(descriptors_1, descriptors_2, mathces);    // -- dwaw matches       Mat img_mathes;    drawMatches(img_1, keypoints_1, img_2, keypoints_2, mathces, img_mathes);    // -- show       imshow("Mathces", img_mathes);    waitKey(0);    return 0;}

2、运行结果