Brief特征点描述

简介

BRIEF是2010年在ECCV 的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章提出的，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。

原理介绍

前人通过对大量的像素点对（检测到特征点后随机分配点对，n个点共有Cn2对）的灰度值比较，对图像的区块(patches)进行有效的分类，这些比较的结果能够用来训练随机分类树或者是朴素贝叶斯分类器，目的就是在不同视角观测的情况下能够识别这些区块。BRIEF 的作者因此受到启发，将像素点对的灰度值比较的方法引入到了位特征描述符中，具体定义如下
首先，在一个大小为 S×S 的区块 p 上定义一个测试方法 τ

（1）

其中 p(x)是指区块 p 经过高斯平滑后在点 x=(u,v)处的像素灰度值，选择 n 对这样的坐标点对(x,y)，则可以得到相应的 n 维二进制位串，我们称之为 BRIEF 描述符，这些点从区块中随机采样得到的，采样方法见下文。得到的描述符可以定义为：

构建 BRIEF 描述符有两个很关键的步骤，其一是为了消除噪声的影响，需要对局部区块进行高斯平滑，所以高斯核的选择是一个很重要的问题；另外一个是如何确定这些用于比较的像素点对的空间相对位置。

(1) 高斯核的确定：通过公式(1)可以看出，像素点对之间的灰度值比较仅仅是在两个单像素点间进行，因此这种方式获得的描述符对于噪声的影响相当敏感，通过对区块进行预平滑之后再计算描述符可以降低对噪声的敏感度，同时也可以增加描述符的稳定性和重复性，作者通过将高斯核方差从 0 变化到 3来测量识别率的变化，最终将高斯核σ的值定为 2，其相应的离散卷积核窗口尺寸为 9×9 个像素。

(2) 像素点对的空间相对位置：要生成长度为 n 的位向量需要在大小为 S×S的区块中找到 n 对坐标点(xi,yi)，测试点对X , Y的采样方式服从方差为 的高斯分布，即

当 此时特征向量具有最好的识别率。

二进制描述符，利用汉明距离代替欧几里得距离进行相似性度量
汉明距离是指两个字符串对应位置的不同字符的个数，其公式如下

其中 x 和 y 都是 n 位的编码，d 即为两个位串 x 和 y 的汉明距离。

程序实现：

Opencv程序代码可以参考
http://blog.csdn.net/hujingshuang/article/details/46910259