OpenCV系列之BRIEF(二进制的鲁棒独立基本特征) | 四十二

目标
在本章中，

• 咱们将看到BRIEF算法的基础知识
  理论
  咱们知道SIFT使用128维矢量做为描述符。因为它使用浮点数，所以基本上须要512个字节。一样，SURF最少也须要256个字节（用于64像素）。为数千个功能部件建立这样的向量会占用大量内存，这对于资源受限的应用程序尤为是嵌入式系统而言是不可行的。内存越大，匹配所需的时间越长。
  可是实际匹配可能不须要全部这些尺寸。咱们可使用PCA，LDA等几种方法对其进行压缩。甚至使用LSH（局部敏感哈希）进行哈希的其余方法也能够将这些SIFT描述符中的浮点数转换为二进制字符串。这些二进制字符串用于使用汉明距离匹配要素。这提供了更快的速度，由于查找汉明距离仅是应用XOR和位数，这在具备SSE指令的现代CPU中很是快。可是在这里，咱们须要先找到描述符，而后才能够应用散列，这不能解决咱们最初的内存问题。
  如今介绍BRIEF。它提供了一种直接查找二进制字符串而无需查找描述符的快捷方式。它须要平滑的图像补丁，并以独特的方式（在纸上展现）选择一组图片位置对。而后，在这些位置对上进行一些像素强度比较。例如，令第一位置对为p和q。若是图片,则结果为1，不然为0。将其应用于全部图片个位置对以得到图片维位串。
  该图片能够是12八、256或512。OpenCV支持全部这些，但默认状况下将是以256（OpenCV以字节为单位表示，所以值将为1六、32和64）。所以，一旦得到此信息，就可使用汉明距离来匹配这些描述符。
  重要的一点是，BRIEF是特征描述符，它不提供任何查找特征的方法。所以，您将不得不使用任何其余特征检测器，例如SIFT，SURF等。本文建议使用CenSurE，它是一种快速检测器，而且BIM对于CenSurE点的工做原理甚至比对SURF点的工做要好一些。
  简而言之，BRIEF是一种更快的方法特征描述符计算和匹配。除了平面内旋转较大的状况，它将提供很高的识别率。
  OpenCV中的BRIEF
  下面的代码显示了借助CenSurE检测器对Brief描述符的计算。（在OpenCV中，CenSurE检测器称为STAR检测器）注意，您须要使用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检测器

star = cv.xfeatures2d.StarDetector_create()

初始化BRIEF提取器

brief = cv.xfeatures2d.BriefDescriptorExtractor_create()

找到STAR的关键点

kp = star.detect(img,None)

计算BRIEF的描述符

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

函数brief.getDescriptorSize()给出以字节为单位的图片大小。默认状况下为32。下一个是匹配项，这将在另外一章中进行。
**附加资源**
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.