BRIEF特征描述子

一、定义

BRIEF全称（Binary Robust Indenpendent Elementary Features）
它提供了一种计算二值串的捷径，而并不需要去计算一个类似于SIFT的特征描述子。它需要先平滑图像，然后在特征点周围选择一个Patch，在这个Patch内通过一种选定的方法来挑选出来$n_d$个点对。然后对于每一个点对(p,q)(p,q)，我们来比较这两个点的亮度值，如果I(p)>I(q),I(p)>I(q)则这个点对生成了二值串中一个的值为1,如果I(p)小于I(q),则对应在二值串中的值为-1，否则为0。所有$n_d$个点对，都进行比较之间，我们就生成了一个$n_d$长的二进制串。

对于$n_d$的选择，我们可以设置为128,256或512，但是OpenCV中默认的参数为256，这种情况下，非匹配点的汉明距离呈现均值为128比特的高斯分布。值得注意的是，对于BRIEF，它仅仅是一种特征描述符，它不提供特征点的提取方法。

总的来说，BRIEF是一个效率很高的特征提取描述子的方法，同事，它有着很好的识别率，但当图像发生很大的平面内的旋转。

最后，在匹配时只需计算两特征点描述子Hamming距离。判断是否匹配的依据：经历大量实验数据测试，不匹配特征点的描述子Hamming距离在128左右，匹配点对描述子Hamming距离则远小于128.结果比较：第一、在旋转不是非常厉害的图像里，用BRIEF生成的描述子的匹配质量非常高，作者测试的大多数情况中都超越了SURF。但在旋转大于30°后，BRIEF的匹配率快速降到0左右；第二、BRIEF的耗时非常短，在相同情形下计算512个特征点的描述子时，SURF耗时335ms,BRIEF仅8.18ms；匹配SURF描述子需28.3ms，BRIEF仅需2.19ms。在要求不太高的情形下，BRIEF描述子更容易做到实时。