OpenCV系列之BRIEF(二進制的魯棒獨立基本特徵) | 四十二

目標
在本章中，

• 咱們將看到BRIEF算法的基礎知識
  理論
  咱們知道SIFT使用128維矢量做爲描述符。因爲它使用浮點數，所以基本上須要512個字節。一樣，SURF最少也須要256個字節（用於64像素）。爲數千個功能部件建立這樣的向量會佔用大量內存，這對於資源受限的應用程序尤爲是嵌入式系統而言是不可行的。內存越大，匹配所需的時間越長。
  可是實際匹配可能不須要全部這些尺寸。咱們可使用PCA，LDA等幾種方法對其進行壓縮。甚至使用LSH（局部敏感哈希）進行哈希的其餘方法也能夠將這些SIFT描述符中的浮點數轉換爲二進制字符串。這些二進制字符串用於使用漢明距離匹配要素。這提供了更快的速度，由於查找漢明距離僅是應用XOR和位數，這在具備SSE指令的現代CPU中很是快。可是在這裏，咱們須要先找到描述符，而後才能夠應用散列，這不能解決咱們最初的內存問題。
  如今介紹BRIEF。它提供了一種直接查找二進制字符串而無需查找描述符的快捷方式。它須要平滑的圖像補丁，並以獨特的方式（在紙上展現）選擇一組圖片位置對。而後，在這些位置對上進行一些像素強度比較。例如，令第一位置對爲p和q。若是圖片,則結果爲1，不然爲0。將其應用於全部圖片個位置對以得到圖片維位串。
  該圖片能夠是12八、256或512。OpenCV支持全部這些，但默認狀況下將是以256（OpenCV以字節爲單位表示，所以值將爲1六、32和64）。所以，一旦得到此信息，就可使用漢明距離來匹配這些描述符。
  重要的一點是，BRIEF是特徵描述符，它不提供任何查找特徵的方法。所以，您將不得不使用任何其餘特徵檢測器，例如SIFT，SURF等。本文建議使用CenSurE，它是一種快速檢測器，而且BIM對於CenSurE點的工做原理甚至比對SURF點的工做要好一些。
  簡而言之，BRIEF是一種更快的方法特徵描述符計算和匹配。除了平面內旋轉較大的狀況，它將提供很高的識別率。
  OpenCV中的BRIEF
  下面的代碼顯示了藉助CenSurE檢測器對Brief描述符的計算。（在OpenCV中，CenSurE檢測器稱爲STAR檢測器）注意，您須要使用opencv contrib）才能使用它。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('simple.jpg',0)

初始化FAST檢測器

star = cv.xfeatures2d.StarDetector_create()

初始化BRIEF提取器

brief = cv.xfeatures2d.BriefDescriptorExtractor_create()

找到STAR的關鍵點

kp = star.detect(img,None)

計算BRIEF的描述符

kp, des = brief.compute(img, kp)
print( brief.descriptorSize() )
print( des.shape )

函數brief.getDescriptorSize()給出以字節爲單位的圖片大小。默認狀況下爲32。下一個是匹配項，這將在另外一章中進行。
**附加資源**
1.Michael Calonder, Vincent Lepetit, Christoph Strecha, and Pascal Fua, "BRIEF: Binary Robust Independent Elementary Features", 11th European Conference on Computer Vision (ECCV), Heraklion, Crete. LNCS Springer, September 2010.
2.LSH (Locality Sensitive Hashing) at wikipedia.