(本文转载自:当SLAM遇见小王同学)
不久前发布的OpenCV4.许多新特点在5中更新：
从4.5版本开始，OpenCV将正式使用Apache2协议避免了专利算法带来的潜在纠纷
SIFT专利到期后，代码移动到主库
对RANSAC算法得到了改进
实时单目标跟踪算法新增SiamRPN
还有其他重要的更新，这里就不描述了。值得一提的是，还添加了描述子。
BEBLID全称是，多项实验证明，在减少执行时间的同时，可以提高图像匹配的精度。
#CommentoruncommenttouseORBorBEBLID descriptor=cv.xfeatures2d.BEBLID_create(0.75) #descriptor=cv.ORB_create() kpts1,desc1=descriptor.compute(img1,kpts1) kpts2,desc2=descriptor.compute(img2,kpts2) 更多细节可以参考：
https://towardsdatascience.com/improving-your-image-matching-results-by-14-with-one-line-of-code-b72ae9ca2b73 https://github.com/iago-suarez/beblid-opencv-demo/blob/main/demo.ipynbCODE:https://github.com/iago-suarez/BEBLID.git
PDF:http://www.dia.fi.upm.es/~pcr/publications/PRL_2020_web_BEBLID.pdf
让我们在这里得出结论。经过作者测试，
下面详细介绍一下这个。BEBLID描述子.
“作者提出了有效的图像描述符BELID。其有效性的关键是选择一组图像特征，计算要求很低。实验是在计算机和智能手机上进行的，BELID的精确度与SIFT类似地，执行时间法相似ORB相当。
”
介绍
局部图像用于匹配外观变化强烈的图像，如光变化或几何变化。它们是许多计算机视觉任务的基本组成部分，如3D重建、SLAM、由于局部特征独特，视点不变，图像检索、位置估计等。
为了产生局部图像表示，我们必须检测一组显著的图像结构，并对每个结构进行描述。对于各种角、线和区域，有大量非常有效的探测器，可以用实数或二进制描述符来描述。SIFT描述子仍被认为是黄金标准技术。
这篇文章给出了一个有效的描述。特征利用积分图像有效计算图像正方形区域平均灰度值之间的差异。作者使用增强算法来区分一组特征，并将它们结合起来产生强烈的描述。实验结果表明，该方法提高了计算速度，执行时间接近ORB，精度与SIFT类似地，它可以为手头的任务选择最特征。
BELID
在本节中，作者提出了一种有效的算法来描述图像局部区域的速度和速度SIFT同样快。其速度的关键是使用少量、快速和选择性的特征。描述子使用一组BoostedSCC算法选择的K个特征是正确的AdaBoost的改进。
设 是由一对对图像patches组成的训练集，标记 {−1,1}。其中 = 1表示两个patch对应相同的显著性图像结构， =−1表示不同的显著性图像结构.
训练过程将损失降到最低
其中 ，它依赖于特征提取函数f: X→R和一个阈值T.给定f和T，通过含T的f(x)来定义weak learner，
效率的关键是选择一个f(x)，它既具有判别性，又能快速计算。我们定义特征提取函数f(x)
I(t)是像素的灰度值t和R (p, s)是大小的正方形盒子集中在带有尺寸s的像素p。因此,f计算像素的平均灰度值之间的差异( , s)和R( ,s)。图2中的红色和蓝色方块代表,分别( , s)和R ( , s)。加快f的计算,作者使用积分图像的输入图像。一旦S可用，方框中的灰度和可以通过4次内存访问和4次算术运算来计算。
检测器通常计算局部结构的方位和尺度。为了BEBLID描述符不受欧几里得变换的影响，作者用底层的局部结构来定位和缩放我们的测量值。
BoostedSCC算法选择K个弱学习者及其相应的权值。等式1中BoostedSCC优化的损耗函数可以看作是一种度量学习方法，其中度量矩阵a是对角的
其中h(w)是K个弱学习者对图像patch的w响应向量。在这种情况下，不考虑不同弱学习者响应之间的依赖关系。此时，给定图像patch w的BELID-U(未优化)描述符计算为 ，其中使 =
进一步，通过对特征 之间的相关性进行建模，估计整个矩阵A可以改善相似函数。FP-Boost估计最小值
采用随机梯度下降法估计对称的a和 是一项困难的工作。因此，该算法从K个弱学习器和由BoostedSCC找到的α开始。第二个学习步骤非常快，因为所有弱学习者的反应都可以预先计算出来
在未优化的描述符的情况下，必须分解相似函数s(x,y)来计算x和y的独立描述子。假设A是一个对称矩阵，可以使用它的特征分解来选择特征值最大的D个特征向量
实验
不同的场景:巴黎圣母院，约塞米蒂国家公园和纽约的自由女神像。在SIFT检测到的局部结构周围裁剪PATCH。
作者用三种方法来比较性能:
FPR-95.: 这是一个PATCH验证问题中95%的召回误报率。当开发BEBILD描述符时，作者希望能够匹配大部分的局部结构，比如说95%的召回率，但是有尽可能少的误报。因此，在PATCH验证问题中，描述符的FPR-95越低越好。
AUC: PATCH验证问题中ROC曲线下的面积。它提供了一个良好的整体测量，因为它考虑了曲线上的所有操作点，而不是像FPR-95案例中只有一个。
mAP.: 在PATCH验证、图像匹配和PATCH检索这三个任务中，每个任务的平均精度，在HPatches基准中定义。
作者已经在Python中实现了BoostedSCC、FP-Boost和阈值平均盒弱学习者的学习和测试部分。为了优化A矩阵，使用了固定学习率为10 - 8和批量2000个样本的随机梯度下降算法。同时也在c++中实现了使用OpenCV处理输入图像。作者使用这个实现来测量BELID在不同平台上的执行时间。
在这里，首先探索维度数的影响。在图3中，显示了AUC和FPR-95值作为维数(“N维”)的函数。在BELID的例子中，使用K = 512，并计算B从512维减少到图中给出的一个。
首先运行BoostedSSC来选择512个弱学习者。通过从这个初始集合中移除最后的弱学习者，作者改变了图3中BELID- u曲线的维数。对于BELID，丢弃了B的最后一列，它们对应于与最小特征值相关的缩放特征向量
从图3可以看出，boosting过程选择的特征最多只在一点上对最终判别有贡献。在128个弱学习者之后，每个新特征提供的改进非常小。在256之后，没有得到任何改进，这意味着最后一个是多余的。优化后的BELID性能优于BELIDU，BELID得分最低FPR-95有128个尺寸。
图5显示了用HPathces工具获得的各种BELID配置和其他竞争方法的结果.作者得到了与之前实验相同的情况,所有的BELID配置都比SIFT好，69.57 vs 63.35，比ORB好得多。
然而，在另外两个任务中，BEBILD描述子落后于SIFT。这是一个预期的结果，因为作者没有为这些任务优化描述子。总之，BELID在所有任务中提供的结果接近SIFT，并优于ORB。
在最后的实验中，作者测试了c++实现的BELID处理图像的时间，呈现了由来自8个不同场景的48张800×640图像组成的Mikolajczyk数据集的执行时间。
作者将执行时间与OpenCV库中的其他相关描述子进行比较。为此运行ORB ，、SIFT 、 LBGM和BinBoost。结果在表1中。
就速度而言，BELID-U与ORB相当。事实上，BELID-U在桌面环境下和ORB一样快(0.41 ms vs 0.44 ms)，在有限的CPU环境下更快(2.54 ms vs 6.49 ms)。这是意料之中的，因为两者都使用一组灰度值差异作为特征。LBGM使用与BELID相同的特征选择算法，但具有较慢的特征。因此，这个描述符需要与桌面设置中的SIFT相同的处理时间(19.77 ms vs 22.22 ms)，但FPR-95稍好。
在桌面CPU上，BELID-128只需要3.08毫秒，大约是BELID-U和ORB的7倍。在智能手机CPU中，BELID128的时间也比BELID-U慢7倍左右。
结论
本文提出了一种有效的图像描述符BELID。在实验中，作者证明了它有非常低的计算要求，在准确度方面，BELID优于ORB，接近SIFT。
本文仅做学术分享，如有侵权，请联系删文。
在「3D视觉工坊」公众号后台回复：即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。
在「3D视觉工坊」公众号后台回复：即可下载包括等。
在「3D视觉工坊」公众号后台回复：即可下载独家学习课件与视频网址；后台回复：即可下载独家学习课件与视频网址。
扫码添加小助手微信，可
也可申请加入我们的细分方向交流群，目前主要有、、、、、等微信群。
一定要备注：，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。也请联系。
▲长按加微信群或投稿
▲长按关注公众号
：针对3D视觉领域的五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题