(四)OpenCV中的特征检测之BRIEF(二进制强大的独立基本特征)

注释：本文翻译自OpenCV3.0.0 document->OpenCV-Python Tutorials，包括对原文档种错误代码的纠正

1.概述

SIFT使用具有128个浮点数的特征描述符。考虑成千上万个这样的特征。它需要大量的内存和更多的时间进行匹配。我们可以压缩它以使其更快。但是我们仍然必须先计算它。这里有BRIEF，它提供了寻找具有更少内存的二进制描述符的快捷方式，更快的匹配以及更高的识别率。

2.目标

在这一章中，我们将看到BRIEF算法的基础知识

3.理论

我们知道SIFT使用128-dim矢量描述符。由于它使用浮点数，所以基本上需要512个字节。同样，SURF也至少需要256个字节(对于64-dim)。为数千个特征创建一个向量需要大量内存，这对于资源约束应用程序尤其是嵌入式系统来说是不可行的。内存越大，匹配时间越长。

但是实际匹配可能不需要所有这些维度。我们使用PCA、LDA等几种方法对其进行压缩。即使使用LSH(局部敏感散列)等散列方法，也可以将浮点数中的这些SIFT描述符转换为二进制字符串，这些二进制字符串用于匹配使用汉明距离的特征，这提供了更好的加速，因为查找汉明距离只是应用XOR和位计算，在具有SSE指令的现代CPU中非常快。但是在这里，我们首先需要找到描述符，然后我们只能应用散列，这并不能解决我们最初的内存问题。

此刻BRIEF进入画面。它提供了查找二进制字符串的快捷方式，无需查找描述符。它采用平滑图像补丁并以独特的方式选择一组(x,y)位置对(在论文中进行了解释)。然后在这些位置对上完成一些像素强度比较。例如，让第一个位置对是p和q，如果I(p)<I(q)，那么它的结果是1，否则它是0.这适用于所有位置对以获得维位串。

这个可以是128，256或512。OpenCV支持所有这些，但默认情况下，它将是256(OpenCV以字节表示，因此这些值i昂是16，32和64)。所以一旦你得到这个，你可以使用汉明(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，它不提供任何方法来查找特征。因此，你不得不使用任何其它特征探测器，如SIFT、SURF等。本文建议使用CenSurE，它是一种快速检测器，而且对于CenSurE点，BRIEF比SURF点的效果稍好。

总之，BRIEF是一种更快的方法特征描述符计算和匹配。除非有大的面内旋转，否则它还提供高识别率。

4.OpenCV中的BRIEF

下面的代码显示了借助CenSurE探测器计算BRIEF描述符。（CenSurE探测器在OpenCV中称为STAR探测器）

# -*- coding: utf-8 -*-
'''
二进制独立鲁棒特征
BRIEF(Binary Robust Independent Elementary Features)
1.SIFT使用128-dim矢量描述符，由于它使用浮点数，所以基本上需要512个字节。
2.同样SURF也至少需要256字节(对于64-dim)。
问题就是：为数千个特征创建一个向量需要大量内存，这对于资源约束程序尤其是嵌入式系统来说是不行的，内存越大匹配时间越长。
但实际匹配可能不需要所有这些维度，可以使用PCA、LDA等几种降维算法进行压缩。
BRIEF实际上是一个特征描述符，不提供任何方法来查找特征。因此不得不使用其它特征检测器，如SIFT，SURF等。
还有CenSurE，它是一种快速检测器，而且比SIFT和SURF效果稍好。
In total，BRIEF是一种更快的方法特征描述符计算和匹配。除非有大的面内旋转，否则它还提供高识别率。
下面的Demo：借助CenSurE探测器计算BRIEF描述符。(CenSurE探测器在OpenCV中称为STAR探测器)
'''import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread('5.jpg', 0)
# 初始化STAR探测器,官网文档中是star = cv2.FeatureDetector_create()对于这个版本是错误的！
star = cv2.xfeatures2d.StarDetector_create()
print('help of FeatureDetector_create', help(star))
# 初始化BRIEF探测器，官网文档是brief = cv2.DescriptorExtractor_create("BRIEF")，对于这个版本也是错误的
brief = cv2.xfeatures2d.BriefDescriptorExtractor_create()
print('help of brief', help(brief))# 用star找到关键点
kp = star.detect(img, None)# 用BRIEF计算描述符
kp, des = brief.compute(img, kp)'''
下一步的工作是匹配：'''

(四)OpenCV中的特征检测之BRIEF(二进制强大的独立基本特征)相关推荐

OpenCV中的二进制鲁棒独立基本特征——BRIEF
OpenCV中的二进制鲁棒独立基本特征--BRIEF 1. 效果图 2. 源码参考这篇博客将介绍OpenCV中的二进制鲁棒独立基本特征.BRIEF是一种更快的特征描述符计算和匹配方法.它还提供了较 ...
Python+OpenCV：图像二进制鲁棒独立基本特征(BRIEF, Binary Robust Independent Elementary Features)
Python+OpenCV:图像二进制鲁棒独立基本特征(BRIEF, Binary Robust Independent Elementary Features) 理论 We know SIFT us ...
OpenCV中的SURF（Speeded-Up Robust Features 加速鲁棒特征）
OpenCV中的SURF(加速健壮功能) 1. 效果图 2. 原理 2.1 为什么SURF比SIFT快? 2.3 怎样获取SIFT与SURF? 3. 源码参考上一篇博客介绍了用于关键点检测和描述的 ...
OpenCV中的快速特征检测——FAST（Features from Accelerated Segment Test）
OpenCV中的快速特征检测--FAST(Features from Accelerated Segment Test) 1. 效果图 2. 源码参考 OpenCV中的尺度不变特征变换(SIFT S ...
opencv中匹配点对的坐标提取
在opencv中,特征检测.描述.匹配都有集成的函数.vector<DMatch> bestMatches;用来存储得到的匹配点对.那么如何提取出其中的坐标呢? int index1, i ...
第四章：OpenCV中的图像处理
第四章:OpenCV中的图像处理本章节你将学习图像的改变色彩空间.提取对象.图像的几何变换.图像的阈值.平滑图像等OpenCV图像处理的基本内容. 更多内容请关注我的GitHub库:TonyStar ...
opencv画虚线_（四十四）OpenCV中的机器学习-SVM
时间为友,记录点滴. 本来还想在特征点检测的道路上再走一走,学习一下Harr级联或者HOG什么的,但总有些概念感觉绕不过去.择日不如撞日,撞日不如今日.我们先揭开机器学习中的一个小角,看看大热的机器学 ...
python识别图像中绿色的部分_[OpenCV-Python] OpenCV 中的图像处理部分 IV (四）
部分 IV OpenCV 中的图像处理 21 OpenCV 中的轮廓 21.1 初识轮廓目标 • 理解什么是轮廓 • 学习找轮廓,绘制轮廓等 • 函数:cv2.findContours(),cv2. ...
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, 我们将看到BRIEF算法的基础知识理论我们知道SIFT使用128维矢量作为描述符.由于它使用浮点数,因此基本上需要512个字节.同样,SURF最少也需要256个字节(用于64像素 ...

(四)OpenCV中的特征检测之BRIEF(二进制强大的独立基本特征)

(四)OpenCV中的特征检测之BRIEF(二进制强大的独立基本特征)相关推荐

最新文章

热门文章