LATCH: Learned Arrangements of Three Patch Codes

• Gil Levi and Tal Hassner，The Open University of Israel，CVPR15，Gil’s blog有一系列讲binary特征的文章，记录了BRIEF、ORB、FREAK、BRISK。
• this feature won the CVPR 2015，OpenCV State of the Art Vision Challenge，in the Image Registration category. LATCH is now integrated into OpenCV 3.0，项目链接
• 阅读时间：2015-07-12~13

简介

该算法是二值化特征描述方法的一个优化变种，一般的二值化特征描述主要通过计算特征点窗口内n个点对的比较值形成一个bit串，作为该特征点的特征描述子，这样的bit串特征描述子在图像匹配计算时可以通过同或计算汉明码，大大提高计算速度，但是点对的比较会有一个明显的缺点，就是受噪声影响较大，虽然后续的一些算法通过高斯模糊进行滤波，但是滤波后图像信息会有一定减少，建立在此基础上，作者提出了一种通过计算窗口内像素块的比较值形成bit串，同时作者也提出了如何定位像素块的方法。

该特征的特点：

1. 此为特征的binary描述子，其特征模式需要学习（可能受限于训练场景，与fast有相似的问题）；
2. 特征描述时能接受特征检测子的方向信息而进行相应旋转，故描述子具旋转不变性；
3. 耗时介于binary特征和非binary特征之间，判别性也介于binary特征和非binary特征之间；

像素块比较

假设特征点窗口内有3个块$P_1$, $P_2$, $P_3$ ,每个块包含$m \times m$个像素，每个块可以用一个