理论
我们知道SIFT使用128维向量做描述子，由于它使用浮点数，需要512字节，同样的SURF也需要最小256字节（64维），创建上千个这样的向量需要很多内存，在资源受限的应用场景特别是嵌入式环境这是不可能的。越大的内存，匹配时间就越长。
但是实际上在匹配的时候不需要所有的这些维度，我们可以使用一些方法比如PCA，LDA等压缩他们，即使是其他方法入LSH（本地敏感hash）把这些浮点的SIFT描述子转换成二进制字符串，这些二进制字符串用来通过Hamming距离匹配特征。这提供了更好的速度，因为找hamming距离只是做异或和位运算，在现代有SSE指令的CPU来说非常快，但是我们需要先找到描述子，然后我们只是能使用hash，还是没有解决内存的问题。
BRIEF在这个时候出现了，它提供了直接找到二进制字符串而不找描述子的简便办法。它取被平滑过的图像块，选择nd(x,y)集合位置对，然后在这些位置对上做像素强度对比，比如，设第一个位置对为p和q，如果I(p) < I(q)，那么它的结果是1,否则是0，这用在所有nd个位置对，得到nd维的位串。
这里nd可以是128,256或者512.OpenCV支持所有这些，但是默认是256（OpenCV用字节表示，所以就是16，32和64字节）。当你得到这个，你可以使用Hamming距离来匹配这些描述子
一个重要的点是BRIEF是一个特征描述子，它不提供任何方法来找特征，所以你还得使用别的特征描述子比如SIFT，SURF等，论文推荐使用CenSurE，是个快速检测器，BRIEF甚至和CenSurE比SURF还好点。
简单说，BRIEF是一个快速的特征描述子计算和匹配方法。它提供了高识别率，除非是大的平面旋转
OpenCV里的BRIEF
import numpy as np
import cv2
from matplotlib import pyplot as pltimg = cv2.imread('simple.jpg',0)
# Initiate STAR detector
star = cv2.FeatureDetector_create("STAR")# Initiate BRIEF extractor
brief = cv2.DescriptorExtractor_create("BRIEF")# find the keypoints with STAR
kp = star.detect(img,None)# compute the descriptors with BRIEF
kp, des = brief.compute(img, kp)print brief.getInt('bytes')
print des.shape
函数brief.getInt('bytes')给的nd大小是字节，默认是32。
