【youcans 的 OpenCV 例程 300篇】244. 特征检测之 BRIEF 特征描述
6.7.1 算法简介
二进制鲁棒独立的特征描述 BRIEF （Binary Robust Independent Elementary Features），对检测到的特征点构造特征描述子，其特点是直接生成二进制字符串作为特征描述符，效率很高。
SIFT 使用 128 维的浮点数作为特征描述符，共有 512 个字节；SURF 使用 64/128 维特征描述符，共有 256/512 个字节。由于特征点常常高达数千个，这些特征描述向量所占用的内存很大，而且特征点匹配所需的时间也很长。这些特征描述符往往存在大量的数据冗余，可以进行数据压缩或转换为二进制字符串，以减少内存和加快匹配。
BRIEF 描述子提供了一种直接生成二进制字符串的特征描述方法，加快了建立特征描述符的速度，也极大的降低了特征描述符的内存占用和特征匹配的时间。因此，BRIEF 算子是一种对特征点描述符计算和匹配的快速方法。
BRIEF 描述子的思想是在关键点 P 的周围以一定模式选取 N 个点对，将 N 个点对的比较结果组合起来作为描述子。为了保持选点的一致性，工程上采用特殊设计的固定模式。
BRIEF 描述子的实现步骤为：
（1）对图像进行高斯滤波（σ=2），以消除噪声的干扰；
（2）以特征点为中心，选取 s*s 的正方形邻域窗口；
（3）按照预定的随机算法，从邻域窗口中随机选取 2个点生成点对
BRIEF 描述子的优点和不足：
（1）优点：BRIEF 建立描述子的速度很快，生成的二进制描述子便于高速匹配，且便于在硬件上实现。
生成 BRIEF 的速度很快，SURF 计算 512 个特征点的描述子用时 335ms，BRIEF 仅需 8.18ms；SURF 描述子匹配用时 28.3ms，BRIEF 仅需 2.19 ms。
（2）缺点：不具备旋转不变性，不具备尺度不变性，对噪声比较敏感。
在旋转程度较小的图像中，使用 BRIEF 特征描述子的匹配质量非常高，大多数情况优于 SIFT 和 SURF；但对于旋转大于 30° 的图像，BRIEF 特征描述子的匹配成功率极低，接近于 0。
BRIEF 算法不涉及特征点检测方法，需要配合 FAST、SURF、CenSurE 等特征点检测算法使用。
; 6.7.2 OpenCV 中的 BRIEF 类
OpenCV 提供了丰富的特征检测算法，而且继承了 cv::Feature2D 类，采用了统一的定义和封装。
OpenCV 中提供 cv::xfeatures2d::BriefDescriptorExtractor 类实现 BRIEF Detector 方法，继承了 cv::Feature2D 类，通过 create 静态方法创建。
BriefDescriptorExtractor 类的构造函数为：
static Ptr< BriefDescriptorExtractor > create (int bytes=32, bool use_orientation=false)
在 Python 语言中，OpenCV 提供了接口函数 cv.xfeatures2d.BriefDescriptorExtractor.create()， 实例化 BriefDescriptorExtractor 类。
cv.xfeatures2d.BriefDescriptorExtractor.create([, bytes=32, use_orientation=false]) → retval
cv.xfeatures2d.BriefDescriptorExtractor_create([, bytes=32, use_orientation=false]) → retval
brief.compute(image, keypoints[, descriptors=None]) → keypoints, descriptors
参数说明：
- image：输入图像，单通道
- bytes：描述符的字节长度，可选项 16/32/64，默认值 32
- use_orientation：采样模式是否使用关键点方向，可选项，默认为 false
- keypoints ：检测到的关键点，是一个特殊的数据结构
- descriptors：关键点的描述符，Numpy 数组，形状为(n, bytes)
注意事项：
- 函数 cv.FastFeatureDetector.create() 实例化 FastFeatureDetector 类，构造一个 FastFeatureDetector 对象。
- bytes 是描述符的字节长度，注意 1个字节为 8bits，因此 bytes=16/32/64 表示使用的二进制编码长度 n 为 128/256/512。
- descriptors 是 BRIEF 特征描述符的数组，形状为(n, bytes)，n 是关键点的数量，bytes 是描述符的字节长度 16/32/64。
例程 14.26：特征检测之 BRIEF 特征描述
img = cv.imread("../images/book01.jpg", flags=1)
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
height, width = gray.shape[:2]
print("shape of image: ", height, width)
sift = cv.SIFT.create()
kpSift = sift.detect(gray, None)
print("shape of keypoints: ", len(kpSift))
imgSift1 = cv.drawKeypoints(img, kpSift, None)
imgSift2 = cv.drawKeypoints(img, kpSift, None, flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
brief = cv.xfeatures2d.BriefDescriptorExtractor_create()
kpBrief, des = brief.compute(img, kpSift)
imgBrief1 = cv.drawKeypoints(img, kpBrief, None)
imgBrief2 = cv.drawKeypoints(img, kpBrief, None, flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
print(des.shape)
star = cv.xfeatures2d.StarDetector_create()
brief2 = cv.xfeatures2d.BriefDescriptorExtractor_create()
kpStar = star.detect(img, None)
kpBriefStar, des = brief.compute(img, kpStar)
imgBriefS1 = cv.drawKeypoints(img, kpBriefStar, None)
imgBriefS2 = cv.drawKeypoints(img, kpBriefStar, None, flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
print(des.shape)
plt.figure(figsize=(10, 6))
plt.subplot(231), plt.title("SIFT keypoints")
plt.axis('off'), plt.imshow(cv.cvtColor(imgSift1, cv.COLOR_BGR2RGB))
plt.subplot(234), plt.title("SIFT scaled keypoints")
plt.axis('off'), plt.imshow(cv.cvtColor(imgSift2, cv.COLOR_BGR2RGB))
plt.subplot(232), plt.title("SIFT & BRIEF keypoints")
plt.axis('off'), plt.imshow(cv.cvtColor(imgBrief1, cv.COLOR_BGR2RGB))
plt.subplot(235), plt.title("SIFT & BRIEF scaled kps")
plt.axis('off'), plt.imshow(cv.cvtColor(imgBrief2, cv.COLOR_BGR2RGB))
plt.subplot(233), plt.title("STAR & BRIEF keypoints")
plt.axis('off'), plt.imshow(cv.cvtColor(imgBriefS1, cv.COLOR_BGR2RGB))
plt.subplot(236), plt.title("STAR & BRIEF scaled kps")
plt.axis('off'), plt.imshow(cv.cvtColor(imgBriefS2, cv.COLOR_BGR2RGB))
plt.tight_layout()
plt.show()
参考文献：Michael Calonder, Vincent Lepetit, Christoph Strecha, et al. “BRIEF: Binary Robust Independent Elementary Features” In Computer Vision–ECCV 2010, pages 778–792. Springer, 2010.
【本节完】
版权声明：
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/127352928)
Copyright 2022 youcans, XUPT
Crated：2022-10-16
240. OpenCV 中的 Shi-Tomas 角点检测
241. 尺度不变特征变换（SIFT）
242. 加速稳健特征检测算法（SURF）
243. 特征检测之 FAST 算法
244. 特征检测之 BRIEF 特征描述Original: https://blog.csdn.net/youcans/article/details/127352928
Author: YouCans
Title: 【OpenCV 例程 300篇】244. 特征检测之 BRIEF 特征描述
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/701045/
转载文章受原作者版权保护。转载请注明原作者出处！