我们知道SIFT使用维向量作为描述符。因为它使用的是浮点数，所以需要字节。类似地，SURF也需要最少字节(对于64维)。为数千个特性创建这样的向量需要大量内存，这对于资源受限的应用程序是不可行的，特别是对于嵌入式系统，内存消耗大，匹配的时间长。
但这些维度在实际匹配时可能不是都需要。我们可以使用PCA、LDA等多种方法对数据进行压缩。甚至还使用其他方法，如使用LSH(局域敏感哈希)来将这些浮点数中的SIFT描述符转换为二进制串。这些二进制字符串使用汉明距离来匹配特征。这提供了更好的加速，因为寻找汉明距离只是应用异或和位计数，这在具有SSE指令的现代cpu中非常快。但在这里，我们需要先找到描述符，然后才能应用哈希，这并不能解决我们最初的内存问题。
这时，BRIEF浮现在眼前。它提供了直接查找二进制字符串的快捷方式，而无需查找描述符。它需要平滑的图像块，并以唯一的方式选择一组nd(x,y)n_d(x,y)nd(x,y)位置对(在论文中解释)。然后对这些位置对进行像素强度比较。例如，设某一个位置对为ppp和qqq，如果I(p)I(q)I(p)I(q)I(p)I(q)，则其结果为1，否则为0。这适用于所有的nd位置对，以获得一个nd维位串。
Lnton羚通BRIEF特征广泛应用于计算机视觉领域，如目标识别、图像匹配和三维重建等任务。它与其他特征描述子（如SIFT和SURF）相比，具有计算速度快、内存占用小等优势。