5.7 BRIEF特征点描述算法 - OpenCV 中文文档

返回介绍

5.7 BRIEF特征点描述算法

发布于 2019-07-01 字数 2967 浏览 1248 评论 0

目标

在这一章中:

  • 我们将学习BRIEF算法的基础知识

理论基础

SIFT^2算法使用128维的向量描述符。由于它使用的是浮点数,因此它至少需要512字节。相似地,SURF^3算法也至少需要256字节(64维)。创建这样一个数以千计的特征向量需要大量的内存,这对于一个资源有限的应用,尤其是嵌入式系统上的应用来说是不可接受的。而且所消耗的内存空间越多,匹配花费的时间也越长。

但是实际匹配可能不需要所有这些维度。我们可以使用几个像PCA^5,LDA^6这样的方法压缩它。甚至还有一些方法像是使用LSH^4进行哈希的方法来将浮点数表示的这些SIFT描述符转换为二进制向量。这些二进制向量可以用Hamming距离^7来进行特征匹配。这进一步提升了速度,因为计算Hamming距离只是执行异或指令和进行位计数,在有SSE指令集的现代计算机上这是相当快的。但是如果要使用这种方法,我们需要先找到描述符,然后才能使用哈希算法,这代表这种方法并不能解决我们最初的内存问题。

此时BRIEF算法就可以发挥作用了。它可以不寻找描述符而直接得到二进制向量。 它接受平滑过的图像集并以一种独特的方式(在论文中有解释)选择几组$n_d$$(x,y)$坐标。 然后进行像素强度比较。 例如,假设第一个位置对是$p$和$q$。 如果$I(p)<I(q)$,那么结果是1,否则是0。对所有的$n_d$坐标进行这样的比较之后,我们就可以得到一个$n_d$维的二进制向量。

这里的$n_d$可以是128、256或512。OpenCV支持所有这些值,但默认情况下$n_d$是256(OpenCV使用字节来计算$n_d$的大小,所以这些值在OpenCV中就是16、32和64)。只要你得到了这个结果,你就能使用Hamming距离来匹配这些描述符。

重要的一点是BRIEF是一个特征描述符,它没有提供任何方法来查找特征。 因此,你需要使用其他特征检测器,如SIFT,SURF等。论文推荐使用CenSurE,这是一种快速特征检测器,而且使用它检测得到的特征点来执行BRIEF算法相对于使用SURF检测到的点来说效果会稍好一些。

简而言之,BRIEF是一种更快的进行特征描述符计算和匹配的方法。 除非有很剧烈的平面内旋转,否则它的识别率也很高。

OpenCV中的BRIEF

下面的代码展示了如何使用CenSurE检测器获取的特征点来计算BRIEF描述符。

(在OpenCV中CenSurE检测器被称作STAR检测器)。

注意,你需要OpenCV contrib来使用这些代码。

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('simple.jpg',0)
# 初始化Star检测器
star = cv2.xfeatures2d.StarDetector_create()
# 初始化BRIEF提取器
brief = cv2.xfeatures2d.BriefDescriptorExtractor_create()
# 用STAR找到关键点
kp = star.detect(img,None)
# 计算出BRIEF描述符
kp, des = brief.compute(img, kp)
print( brief.descriptorSize() )
print( des.shape )

brief.getDescriptorSize()获取$n_d$的大小(以字节为单位)。默认值是32。接下来要做的事就是匹配,我们将会在另外一章中介绍它。

发布评论

需要 登录 才能够评论, 你可以免费 注册 一个本站的账号。

支持 Markdown 语法,需要帮助?

目前还没有任何评论,快来抢沙发吧!