Project

General

Profile

BRIEF Binary Robust Independent Elementary Features

该文提出了一种可以快速计算且表达方式为二进制编码的描述子

算法描述

  • 特征点提取算法与SIFT一致,也可以仿照SURF算法。
  • 主方向的计算在此省略,因为该描述子针对的是两幅小角度偏转(30°以内)图像的特征点匹配。
  • 描述子的建立过程:
    1. 选定建立描述子的区域(特征点的一个正方形邻域)
    2. 对该邻域用σ=2的高斯核卷积,以消除一些噪声(因为本描述子随机性强,对噪声较为敏感)。
    3. 以一定的随机化算法生成点对<x,y>,若点x的亮度小于点y的亮度,则返回值1,否则返回0。
    4. 重复第三步若干次(如256次),得到一个256位的二进制编码,即该特征点的描述子。
  • 匹配时只需计算两特征点描述子的Hamming距离。判断是否匹配的依据:经过大量实验数据测试,不匹配特征点的描述子的Hamming距离在128左右,匹配点对描述子的Hamming距离则远小于128。

创新点

  • 抛弃了传统的用梯度直方图描述区域的方法,改用检测随机响应,大大加快了描述子建立速度;生成的二进制描述子便于高速匹配(计算Hamming距离只需通过异或操作加上统计二进制编码中“1”的个数的操作,这些通过底层的运算即可实现),且便于在硬件上实现。
  • 本描述子的缺点很明显,那就是旋转不变性较差,需要通过新的方法来改进。

结果比较

  • 在旋转不是非常厉害的图像里,用BRIEF生成的描述子的匹配质量非常高,作者测试的大多数情况中都超越了SURF。但在旋转大于30°后,BRIEF的匹配率快速降到0左右。
  • BRIEF的耗时非常短,在相同情形下计算512个特征点的描述子时,SURF耗时335ms,BRIEF仅8.18ms;匹配SURF描述子需28.3ms,BRIEF仅需2.19ms。在要求不太高的情形下,BRIEF描述子更容易做到实时。

BRIEF.pdf (448 KB) 胡 直, 08/11/2012 09:58 AM