在OpenCV里使用BRIEF

本文链接： https://blog.csdn.net/caimouse/article/details/102675589

BRIEF是Binary Robust Independent Elementary Features缩写。我们知道SIFT使用128维向量做关键描述，由于它使用浮点数，需要512字节，同样的SURF也需要至少256字节（64维），创建上千个这样的向量需要很多内存，在资源受限的应用场景，特别是在嵌入式环境里这是不可能的，并且越大的内存，匹配时间就越长。

但是实际上在匹配的时候并不需要所有这些维度，我们可以使用一些方法比如PCA，LDA等压缩他们，即使是其他方法入LSH（本地敏感hash）把这些浮点的SIFT描述子转换成二进制字符串，这些二进制字符串用来通过Hamming距离匹配特征。这提供了更好的速度，因为找hamming距离只是做异或和位运算，在现代有SSE指令的CPU来说非常快，但是我们需要先找到描述子，然后我们才能使用hash，还是没有解决内存的问题。

BRIEF在这个时候出现了，它提供了直接找到二进制字符串而不找关键描述的简便办法。它取被平滑过的图像块，选择nd(x,y)集合位置对，然后在这些位置对上做像素强度对比，比如，设第一个位置对为p和q，如果I(p) < I(q)，那么它的结果是1,否则是0，这用在所有nd个位置对，得到nd维的位串。

这里nd可以是128,256或者512。OpenCV支持所有这些参数，但是默认是256（OpenCV用字节表示，所以就是16，32和64字节）。当你得到这个，你可以使用Hamming距离来匹配这些关键描述。

一个最重要的是BRIEF是一个特征描述，它不提供任何方法来找特征，所以你还得使用别的特征描述比如SIFT，SURF等，论文推荐使用CenSurE算法，它也是个快速检测算法，BRIEF和CenSurE配合比SURF还要好一点。

简单说，BRIEF是一个快速的特征描述子计算和匹配方法。它提供了高识别率，除非是存在大的平面旋转的情况。

CenSurE算法在OpenCV里叫做STAR算法，下面就使用它与BRIEF作演示：

#python 3.7.4,opencv4.1
#蔡军生 https://blog.csdn.net/caimouse/article/details/51749579
#
import numpy as np
import cv2
from matplotlib import pyplot as plt

#读取文件
img = cv2.imread('szcen1.png')

#初始化STAR检测算法
star = cv2.xfeatures2d.StarDetector_create()

#初始化BRIEF描述
brief = cv2.xfeatures2d.BriefDescriptorExtractor_create()

#用STAR查找关键点
kp = star.detect(img,None)

#使用BRIEF来描述这些关键点
kp, des = brief.compute(img, kp)

print('brief.descriptorSize()={}'.format(brief.descriptorSize()))
print('des.shape={}'.format(des.shape) )

#显示图片
cv2.imshow('img',img)
           
cv2.waitKey(0)
cv2.destroyAllWindows()

结果输出如下：

brief.descriptorSize()=32

des.shape=(334, 32)

brief.getDescriptorSize()得到每个nd维使用多少字节表示，这里是使用32个字节。des.shape表示匹配大小。

https://blog.csdn.net/caimouse/article/details/51749579

在OpenCV里使用BRIEF

猜你喜欢