图像特征提取（七）——几种特征提取的优缺点对比

 

    2015年G Lentaris等人对软硬件协同工作的图像处理系统进行了深入研究，并分别论述了三条不同的可用于视觉里程计的流水线图像处理结构。其中第一条流水线用FPGA对Harris特征点检测算法、图像积分计算、SIFT特征描述算法以及其特征匹配进行了硬件加速，而SIFT方向向量的计算则留由软件来完成，这条流水线兼备尺度不变性和旋转不变性；而第二条流水线只实现了BRIEF匹配电路的FPGA硬件加速，但FAST特征检测算法和BRIEF特征描述算法都由软件来完成，这条流水线既不具备尺度不变性也不具备旋转不变性；第三条流水线在实现了BRIEF匹配电路FPGA加速的基础上，将SURF特征点检测算法也交由FPGA来完成，BRIEF特征描述算法仍由软件计算，这条流水线舍弃了旋转不变性但保留了尺度不变性。这三条流水线对512*384像素的图片的最快处理时间分别为1.7s、0.8s和1.1s。

BRIEF:     优点：     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。     缺点：     不具有尺度不变性和旋转不变性。

rBRIEF：得到的特征描述子具有旋转不变性，且描述符的可区分性比较好

原始的BRIEF算法有5中去点对的方法，原文作者使用了方法2。为了解决描述子的可区分性和相关性的问题，ORB论文中没有使用5种方法中的任意一种，而是使用统计学习的方法来重新选择点对集合。

首先建立300k个特征点测试集。对于测试集中的每个点，考虑其31x31邻域。这里不同于原始BRIEF算法的地方是，这里在对图像进行高斯平滑之后，使用邻域中的某个点的5x5邻域灰度平均值来代替某个点对的值，进而比较点对的大小。这样特征值更加具备抗噪性。另外可以使用积分图像加快求取5x5邻域灰度平均值的速度。

从上面可知，在31x31的邻域内共有(31-5+1)x(31-5+1)=729个这样的子窗口，那么取点对的方法共有M=265356种，我们就要在这Ｍ种方法中选取256种取法，选择的原则是这256种取法之间的相关性最小。怎么选取呢？

1）在300k特征点的每个31x31邻域内按M种方法取点对，比较点对大小，形成一个300kxM的二进制矩阵Q。矩阵的每一列代表300k个点按某种取法得到的二进制数。

2）对Q矩阵的每一列求取平均值，按照平均值到0.5的距离大小重新对Q矩阵的列向量排序，形成矩阵T。

3）将T的第一列向量放到R中。

4）取T的下一列向量和R中的所有列向量计算相关性，如果相关系数小于设定的阈值，则将T中的该列向量移至R中。

5）按照4）的方式不断进行操作，直到R中的向量数量为256。

通过这种方法就选取了这256种取点对的方法。这就是rBRIEF算法