【特征检测】BRIEF特征点描述算法

简介

         BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出，BRIEF是对已检测到的特征点进行描述，它是一种二进制编码的描述子，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，是一种非常快速，很有潜力的算法。

BRIEF具体算法

         由于BRIEF仅仅是特征描述子，所以事先要得到特征点的位置，可以利用FAST特征点检测算法或Harris角点检测算法或SIFT、SURF等算法检测特征点的位置。接下来在特征点邻域利用BRIEF算法建立特征描述符。

算法步骤如下：

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的邻域窗口。在窗口内随机选取一对（两个）点，比较二者像素的大小，进行如下二进制赋值。

其中，p(x)，p(y)分别是随机点x=(u1,v1),y=(u2,v2)的像素值。

3、在窗口中随机选取N对随机点，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）

以上便是BRIEF特征描述算法的步骤。

关于一对随机点的选择方法，原作者测试了以下5种方法，其中方法（2）比较好。

这5种方法生成的256对随机点如下（一条线段的两个端点是一对）：

利用BRIEF特征进行配准

经过上面的特征提取算法，对于一幅图中的每一个特征点，都得到了一个256bit的二进制编码。接下来对有相似或重叠部分的两幅图像进行配准。

特征配对是利用的汉明距离进行判决：

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。

实验

opencv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("img1.png"); 
    Mat img_2 = imread("img2.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; 
}

实验结果

代码分析

在头文件features2d.hpp中定义了BRIEF算法的函数及参数：

class CV_EXPORTS BriefDescriptorExtractor : public DescriptorExtractor
{
public:
    static const int PATCH_SIZE = 48;	//S为48即窗口为48x48
    static const int KERNEL_SIZE = 9;	//高斯滤波器窗口为9x9

    // bytes is a length of descriptor in bytes. It can be equal 16, 32 or 64 bytes.
    BriefDescriptorExtractor( int bytes = 32 );//保存特征的空间为32字节，即32x8=256bit
	...
	...
	...
}

对于参数的解释，写在参数定义后面。
在运行调试时，在观察窗口可以看到，在img1中检测到14个特征点，img2中检测到76个：

以img1为例，14个特征点，每个特征点用一个32字节（256bit）的二进制编码描述，则有：

进一步查看上图中第二个红框的信息，这表明特征描述子存放的位置，起始地址是：0x01c08030，结束地址为：0x01c081f0。

可以看到，这就是最终提取到的特征点描述编码了，一行32个字节，共14行，刚好对应img1的14个特征点。同理可知img2中得到了76个特征编码。假如以img1中的特征为准，在img2中寻找与其匹配的特征点，结果如下：

可以看到，img1中的14个特征点依次与img2中的第74、47、... 、29特征点配成一对，最终匹配效果见上面的实验结果图。

BRIEF算法优劣

优点

         1、计算速度快

缺点

         1、对噪声敏感（因为二进制编码是通过比较具体像素值来判定的）

         2、不具备旋转不变性

         3、不具备尺度不变性

参考资料

1、BRIEF:Binary Robust Independent Elementary Features[J].2010 ECCV.

2、基于ORB特征的检测检测与跟踪的研究[硕士论文],谢成明,2013.

3、基于ORB特征和粒子滤波的目标跟踪算法研究[硕士论文],章杰,2014.

4、基于ORB和改进RANSAC算法的图像拼接技术[J],2015.