توصیف گر brisk توسط لوتنگر و همکارانش معرفی شد . در این الگوریتم ویژگیهای بدست آمده نسبت به مقياس تصویر و چرخش تغيير ناپذیرند و نسبت به تغيير دیدگاه و تغييرات نورپردازی (تاریک و یا روشن شدن تصویر)تا حدودی پایدار میباشد.

این توصیفگر یک بردار باینری به طول 512 بیت برای توصیف ویژگی ها تولید میکند و برای مقایسه بردار ها از یای انحصاری ( xor ) استفاده میشود. این الگوریتم از الگوی زیر برای کد کردن شدت روشنایی اطراف ویژگی استفاده میکند یا به عبارتی مجموعه نقاطی از الگو که فاصله آنها کمتر از آستانه مشخصی است را با هم مقایسه میکند و متناظر با نتیجه ی مقایسه در بردار خروجی بیت های صفر و یک تولید میشود.

این الگوریتم را میتوان همانند الگوریتم SIFT به سه بخش تقسيم کرد:

• بخش اول شامل پيدا کردن ویژگیها در تصویر مرجع و دریافتی میباشد.
• بخش دوم توصيف ویژگیهای بخش اول با استفاده از یک توصيفگر را بر عهده دارد
• بخش آخر تطبيق ویژگیهای پيدا شده در دو تصویر را انجام میدهد.

فضای مقیاس آشکار ساز ویژگی
این الگوریتم به دليل استفاده از فضای مقياس نسبت به مقياس پایدار میباشد. همچنين به دليل استفاده ازآشکارساز گوشه AGAST از سرعت نسبتاً خوبی برخوردار است. فضای مقياس این الگوریتم دارای دو نوع لایه به نام های اکتاوci و اکتاو-درونی di است، که i برابر با {0,1,…,𝑛−1} میباشد. اکتاوهای ci با نصف کردن از تصویر اصلی و اکتاو-درونی di از نمونه کاهی از تصویر ci با ضریب 1.5 بدست میآید. همان طور که در شکل مشاهده میکنيد اکتاوهای-درونی ما بين اکتاوها قرار گرفته است. اگر ضریب مقياس هر تصویر t باشد، ضریب مقياس اکتاو و اکتاو-درونی به صورت زیر محاسبه می شود.

t(ci)=2″i
t(di)=2″i*1.5

مقدار n معمولاً 4 در نظر گرفته میشود پس تعداد لایه های فضای مقياس برابر 8 میشود.بر روی هر لایه فضای مقياس آشکاساز گوشه AGAST را با آستانه های یکسان اعمال میکنيم. آشکار ساز گوشه AGAST همانند آشکارساز گوشه FAST ، با دو عدد نشان میدهند، که عدد اول تعداد نقاط متوالی الگوریتم و عدد بعدی نوع ماسک مورد استفاده را مشخص میکند. به عنوان مثال FAST n-m به این صورت است که از m پيکسل روی دایرهای به مرکز پيکسل مرکزی، باید حداقل شدت روشنایی n پيکسل متوالی(Ic ) به اندازه مقدار آستانه t از مقدار روشنایی پيکسل مرکزی pI بيشتر یا کمتر باشد.

Ic ≥ Ip+t for n contiguous pixel
Ic ≤ Ip-t for n contiguous pixel

پس از اعمال آشکارساز گوشه AGAST ، برای نقاط کليدی بدست آمده از آشکارساز گوشه AGAST یک امتياز تعریف میشود. مقدار امتيازات این الگوریتم به این صورت محاسبه میشود که پيکسلهای متوالی ای که مقدار روشنایشان از مجموع مقدار آستانه بعلاوه پيکسل مرکزی بيشتر می باشد را از روشنایی پيکسل مرکزی کم کرده و سپس همه را با هم جمع می کنيم و به عنوان امتياز آن نقطه ی کليدی در نظر گرفته میشود

𝑆𝑐𝑜𝑟𝑒=Σ𝐼𝑝−𝐼𝑐(𝑖)−𝑡

برای مثال شکل زیر ناحيه ای از تصویرکه مقادیر شدت روشنایی بر روی آن نوشته شده است را نشان میدهد. الگوریتم FAST 9-16 را با آستانه 43 بر روی آن اعمال میکنيم. خانه 4،4 به عنوان نقطهی کليدی انتخاب و امتياز این نقطه برابر با 454 میشود. لایه 1-d که در زیر لایه 0c 3 قرار می گيرد به طور استثناء از ضریب مقياس تبعيت نمیکند و دارای ضریب مقياس یک میباشد به این معنی که نيازی به بزرگ کردن تصویر ندارد. همچنين بر روی این لایه از الگوریتم AGAST — برای پيدا کردن ویژگی استفاده میشود

پس از اجرای الگوریتم آشکارساز گوشه AGAST بر روی فضای مقياس تصویر، نقاط کليدی را که درمجاورت همسایگی هشت در هر لایه هستند و دارای امتياز کمتری نسبت به نقاط کليدی مجاور خود میباشد را حذف کرده و سپس نقاطی را که در سه لایه متوالی فضای مقياس نقاط کليدی میباشند را بعنوان نقاط کليدی مقاوم نسبت به تغيير مقياس معرفی میشود.
برای هر نقطه ی کليدی مقاوم نسبت به تغيير مقياس یک مقياس واقعی براساس امتيازات الگوریتم AGAST تخمين زده میشود. برای این کار ابتدا یک منحنی درجه دویی را، بر روی صفحهای که محور افقی آن لگاریتم بر پایه 2 ضریب مقياس t نقاط کليدی و محور عمودی آن امتيازات الگوریتم AGAST متناظر با همان نقاط میباشدهمانند شکل درون یابی می شوند
سپس ضریب مقياس متناظر با نقطه ی بيشينه منحنی درونیابی شده برآورد مقياس واقعی آن ویژگی میباشد.در شکل این نقاط و ضریب مقياس متناظر با آن را نشان میدهد.

توصيفگر BRISK

توصيفگر BRISK از یک رشته کد باینری تشکيل شده که از نتيجهی مقایسهی روشنایی پيکسلهای اطراف نقاط کليدی، ساخته شده است. در این توصيفگر یک جهت 3 به هر نقطهی کليدی اختصاص داده میشود که این جهت برای غير حساس کردن توصيفگر نسبت به چرخش استفاده میشود.

الگوی نمونه برداری و تخمین جهت ویژگی
هدف اصلی استفاده از الگو 3 در این الگوریتم این است که روشناییهای اطراف نقطهی کليدی را به صورت کد باینری در بياوریم
. این الگو از N نقطه تشکيل شده که بر روی دایرههایی هم مرکز قرار دارد. مرکز این الگو را بر روی نقاط کليدی آشکار شده قرار داده میشود و برای جلوگيری از الياسينگ ناشی از نمونه کاهی و همچنين کاهش حساسيت الگوریم به نویز، هر نقطهی الگو را با فيلتر پایينگذر گوسی فيلتر کرده. در شکل زیر الگوی استفاده شده در این الگوریتم را در مقیاس واحد T=1 نشان می دهد انقاط آبی نقاط نمونه برداری الگو است و مختصات این نقاط را با pi نمایش داده میشود و دایرههای قرمز اندازهی انحراف معيار σi فيلتر گوسی متناظر آن نقطه می باشد.

مکان و مقياس این الگو بر اساس نقاط کليدی که در مرحله اول آشکار شده است تعيين میشود. زوج نقطهی ( Pi , Pj) را در نظر بگيرید. با استفاده از تقریب زیر گرادیان محلی g ( Pi , Pj بين دو نقطه ( Pi , Pj رامیتوان محاسبه کرد

𝑔(𝑝𝑗,𝑝𝑖)=(𝑝𝑗−𝑝𝑖)𝐼(𝑝𝑗,𝜎𝑗)−𝐼(𝑝𝑖,𝜎𝑖)‖𝑝𝑗−𝑝𝑖‖

I () و () I ميزان روشنایی فيلتر شده با فيلتر گوسی را نشان میدهد را سپس مجموعه 𝒜 به صورت زیر تعریف میکنيم.
}𝒜 ={(𝑝𝑖,𝑝𝑗)∈ℝ2×ℝ2|𝑖<𝑁∧𝑗<𝑖∧𝑖,𝑗∈ℕ
این مجموعه، تمام زوج نقاط را بدون در نظر گرفتن ترتيب نقاط در خود جای میدهد. تعداد کل زوج نقاط د برابر است با – نقاط تعداد زوج نقاط =𝑁.(𝑁−1)2

که N برابر با تعداد نقاط الگو است و برای شکل زیر برابر با 1770 است حال دو زیر مجموعه به نام “فاصله زیاد ” و “فاصله کم ” را از مجموعه 𝒜 تعریف کرده آنها را به صورت زیر نمایش میدهيم.

ℒ ={(𝑝𝑖,𝑝𝑗)∈𝒜 | ‖𝑝𝑖−𝑝𝑗‖>𝛿𝑚𝑖𝑛}⊆𝒜

𝒮 ={(𝑝𝑖,𝑝𝑗)∈𝒜 | ‖𝑝𝑖−𝑝𝑗‖<𝛿𝑚𝑎𝑥}⊆𝒜این

این دو مجوعه زوج نقاط مجموعه A را به دو زیر مجموعه تقسیم می کند مجموعه L زوج نقاطی از مجموعه A را در خود جای داده که فاصله ای نقاط از حد آستانه 𝛿𝑚𝑖𝑛=13.67𝑡 بيشتر میباشد. t ضریب مقياس نقاط کليدی را نشان میدهد. از این مجموعه برای تخمين گرادیان نقاط کليدی استفاده میشود.

مجموعه 𝒮 از زوج نقاطی از مجموعه A تشکیل شده که فاصله زوج نقاط آن از آستانه 𝛿𝑚𝑎𝑥=9.75𝑡 کمتر باشد.از این مجموعه برای ساخت کد باینری برای توصيف نقاط کليدی استفاده میشود و طول این مجموعه برای الگو شکل برابر 512 می باشد می توان با تغییر ضریب مقیاس 𝛿𝑚𝑎𝑥 طول کد باینری را تغییر داد.

ادامه دارد