opencv函数查询_openCV - 角点检测快速算法 FAST

目标

在这个章节,

• 我们将理解FAST算法的基本原理
• 并在openCV中使用FAST算法的函数.

原理

我们看到了几个特性检测器，其中很多都非常好. 但是从实时应用的角度来看，它们还不够快. 一个很好的例子：比如要在计算资源有限的移动机器人上应用SLAM技术 (即使定位和地图构建技术) 将出现问题。一个解决方案就是采用FAST算法，由Edward Rosten和Tom Drummond在他们2006年的论文《机器学习用于高速拐角检测》中提出(后来在2010年进行了修订)。算法的基本总结如下。

使用 FAST来检测特征

1. 选择图像中的像素p作为兴趣点或不作为兴趣点。让它的强度 I p.
2. 选择合适的阈值 t.
3. 围绕测试中的像素考虑一个由16个像素组成的圆圈 (如下图所示)

1. 那么像素 p 是一个角点，如果圆圈中有一组相邻的n个像素(为16个像素中的n个)，它们的亮度都大于 Ip+t, 或者比 Ip−t 暗. (在上图中白色虚线表示). n 为12.
2. 提出了一种排除大量非转角的高速试验方法。这个测试只检查1,9,5和13处的4个像素(先测试1和9处的像素看是否它们太亮或太暗，如果是，那么再检查5和13)。如果p是一个角，那么其中至少三个点的亮度必须大于Ip+t 或比Ip - t 暗。如果这两者都不是，那么 p 就不能是角。然后通过对圆形中所有像素的检测，将全段测试准则应用到通过的候选对象上。该探测器本身表现出高性能，但有几个弱点:

• 该算法不会拒绝大量 n < 12 的候选点.
• 像素的选择不是最优的，因为它的效率取决于问题的排序和角的分布。
• 快速测试的结果可能被丢弃。
• 多个特征相邻检测。

前3点是用机器学习方法解决的。最后一个是使用非最大抑制。

机器学习角检测器

1. 选择一组用于培训的图像 (最好来自检测目标范围的图像)
2. 对每一张图像运用 FAST 算法找到特点.
3. 对于每个特征点，将其周围的16个像素存储为一个向量。对所有的图像都这样做，得到特征向量P。
4. 这16个像素中的每个像素(比如x)都可以有以下三种状态之一:

5. 根据这些状态，特征向量P被细分为三个子集, Pd, Ps, Pb.

6. 定义一个新的布尔变量Kp，如果p是一个角，则为真，否则为假。

7. 使用ID3算法(决策树分类器)查询每个子集，使用变量Kp查询关于真类。它选择产生最多信息量的x作为是否是角的候选，可以 通过计算Kp的熵来度量。

8. 递归地应用于所有子集，直到它的熵为零。

9. 所建立的决策树用于其他图像的快速检测。

非最大值抑制

在相邻位置检测多个兴趣点是另一个问题。采用非最大抑制法求解。

1. 计算一个分数函数，V代表所有检测到的特征点。V是p和周围16个像素值的绝对差值之和。
2. 考虑两个相邻的关键点并计算它们的V值。
3. Discard t丢弃V值较低的那个。

总结

它比其他现有的角探测器快几倍。

但它对高噪点的图像效果并不好，依赖于阈值设定。

OpenCV中应用FAST

和其它特征检测器一样。假如你想，你可以指定阈值，不管非最大值抑制用不用，邻域都开启。邻域定义了3个标签，cv.FAST_FEATURE_DETECTOR_TYPE_5_8, cv.FAST_FEATURE_DETECTOR_TYPE_7_12 and cv.FAST_FEATURE_DETECTOR_TYPE_9_16. 下面简单的几行代码展示如何使用FAST函数检测和绘制特征点。

import numpy as npimport cv2 as cvfrom matplotlib import pyplot as pltimg = cv.imread('simple.jpg',0)# Initiate FAST object with default valuesfast = cv.FastFeatureDetector_create()# find and draw the keypointskp = fast.detect(img,None)img2 = cv.drawKeypoints(img, kp, None, color=(255,0,0))# Print all default paramsprint( "Threshold: {}".format(fast.getThreshold()) )print( "nonmaxSuppression:{}".format(fast.getNonmaxSuppression()) )print( "neighborhood: {}".format(fast.getType()) )print( "Total Keypoints with nonmaxSuppression: {}".format(len(kp)) )cv.imwrite('fast_true.png',img2)# Disable nonmaxSuppressionfast.setNonmaxSuppression(0)kp = fast.detect(img,None)print( "Total Keypoints without nonmaxSuppression: {}".format(len(kp)) )img3 = cv.drawKeypoints(img, kp, None, color=(255,0,0))cv.imwrite('fast_false.png',img3)

看结果，左边和右边分别显示开启和不开起非最大值抑制的效果: