之前討論過的SIFT演算法以及SURF演算法由於受到了專利的保護，在高版本的OpenCV中是沒法使用的，這就有些強人所難了，但今天我們介紹一種演算法，不僅更加簡單，而且是免費使用的。

原理

在SIFT演算法使用128維的描述符，因為使用float型別描述，所以需要512位元組的記憶體。

在SURF演算法中，以64維描述符來計算，至少需要256位元組的記憶體。

在建立一個含有數千個特徵的向量會消耗大量的記憶體，這種情況在資源的有限的裝置上不實用，尤其是嵌入式裝置。 此外，它們計算時間也非常漫長。

但是在實際的匹配過程中，不是所有的維數都需要。我們可以使用一些方法來對維數進行壓縮，例如PCA（主成分分析）演算法，和LDA（線性判別式分析）演算法等等。甚至使用LSH（區域性敏感雜湊）演算法，把SIFT的描述符從浮點數型別轉化成二進位制字串，然後對這些字串使用漢明距離來進行匹配。由於韓明距離的計算方法只需要使用亦或位運算和位計數，在帶有SSE指令的現代的CPU上計算速度很快。

BRIEF演算法由此產生，該演算法提供了一個很簡介的手段在不尋找描述符的情況下，去尋找二進位制字串。

大致過程如下：

1、為減少噪聲干擾，先對影象進行高斯濾波（方差為2，高斯視窗為9x9）

2、以特徵點為中心，取SxS的鄰域大視窗。在大視窗中隨機選取一對（兩個）5x5的子視窗，比較子視窗內的畫素和（可用積分影象完成），進行二進位制賦值.（一般S=31）

其中，p(x)，p(y)分別隨機點x=(u1,v1),y=(u2,v2)所在5x5子視窗的畫素和.

3、在大視窗中隨機選取N對子視窗，重複步驟2的二進位制賦值，形成一個二進位制編碼，這個編碼就是對特徵點的描述，即特徵描述子.（一般N=256）

非常重要的一點是：BRIEF 是一種特徵描述符，它不提供查詢特徵的方法。所以我們不得不使用其他特徵檢測器，比如 SIFT 和 SURF 等。原始文獻推薦使用 CenSurE 特徵檢測器，這種演算法很快。而且 BRIEF 演算法對 CenSurE關鍵點的描述效果要比 SURF 關鍵點的描述更好。
簡單來說 BRIEF 是一種對特徵點描述符計算和匹配的快速方法。這種演算法可以實現很高的識別率，除非出現平面內的大旋轉。

接下來我們來進行程式碼演示，使用示例圖片：

首先建立BRIEF描述符：

brief = cv2.xfeatures2d.BriefDescriptorExtractor_create(, bytes, use_orientation)

bytes：描述符中的值，用位元組表示可取16, 32 (default) or 64，代表的值為 128，256，512

use_orientation：使用特徵點方向的示例模式，預設情況下禁用。

建立 CenSurE 特徵檢測器（在OpenCV中稱為STAR檢測器）：

star = cv2.xfeatures2d.StarDetector_create(, maxSize, responseThreshold, lineThresholdProjected, lineThresholdBinarized, suppressNonmaxSize)

maxSize：最大尺寸，預設45

responseThreshold：響應閾值，預設30

lineThresholdProjected：線性投影閾值，預設10

lineThresholdBinarized：線性二值化閾值，預設8

suppressNonmaxSize：非極大抑制引數，預設5

計算在影象中檢測到的一組特徵點的描述符：

kp, des = brief.compute(img, kp)

image：輸入影象

kp：輸入特徵點集合。無法計算描述符的特徵點將被刪除。有時可以新增新的特徵點，例如:SIFT具有多個主導方向的重複特徵點(對於每個方向)。

des：輸出計算後的描述符，是一個矩陣。

def BRIEF(img):
     # Initiate FAST detector
     star = cv2.xfeatures2d.StarDetector_create()
 
     # Initiate BRIEF extractor
     brief = cv2.xfeatures2d.BriefDescriptorExtractor_create()
 
     # find the keypoints with STAR
     kp = star.detect(img, None)
 
     # compute the descriptors with BRIEF
     kp, des = brief.compute(img, kp)
 
     print(brief.descriptorSize())
     print(des.shape)
     # draw only keypoints location,not size and orientation
     img2 = cv2.drawKeypoints(img, kp, None, color=(0, 255, 0), flags=0)
     plt.imshow(img2), plt.show()

結果：

進而看輸出結果：

事實上，BRIEF雖然免費，不過由於其本身並不具有特徵檢測的功能，並且BRIEF的描述符在旋轉的影象下表現很差勁，所以在之後我們將會介紹更加強大的同時速度更快的演算法。