十五天掌握OpenCV——FAST算法.角点检测

原理
SLAM（同步定位与地图构建）用于移动机器人，但是计算资源有限，需要快速的算法提供支持。

使用FAST算法进行特征提取

1. 在图中选取像素点p，判断其是不是关键点。Ip=像素点p灰度值。
2. 选择适当阈值t。
3. 在像素点p周围选择16个像素点测试。
4. 若16个像素点中存在n个连续像素点灰度值 > Ip+t，或 < Ip+t，则认为像素点p是一角点。n取值12.
5. 采取额外加速办法获取更快效果。先对候选点周围90度点测试(1,5,9,13)。若p是角点，至少3个符合阈值要求；否则不是角点。通过上述步骤的点继续测试。此方法有几个缺点：
   一：n < 12时它不会丢弃很多候选点；
   二：像素的选取不是最优，其效果取决于要解决的问题和角点分布情况。
   三：高速测试的结果被抛弃；
   四：检测到的很多特征点连在一起。
   一、二、三可以通过机器学习方式解决；四使用非极大值抑制方法解决。

机器学习的角点检测器

1. 选择一组训练图片。图片相关度高。
2. 使用FAST算法找出每张图片特征点。
3. 对每个特征点，将周围16像素存储构成一个向量，所有图像的向量构成特征向量P。
4. 每个特征点的16像素点属于下列种类：
5. 特征向量P有3子集：Pd，Ps，Pb。
6. 定义新的布尔变量Kp，p是角点为True，否则为False。
7. 使用ID3算法（决策树分类器）来查询每个子集利用变量Kp来获取真实类的信息。通过判断Kp的值来选择x，包含了关于候选点是否为角点的大部分信息。
8. 对所有的子集不断应用，直到为0.
9. 将构建好的决策树应用于其他图像的快速检测。

非极大值抑制

目的：处理检测到的相连的特征点。

1. 对所有检测到的特征点构建打分函数V。V=像素点p与周围16个像素点差值的绝对值的和。
2. 计算邻近两个特征点的打分函数V。
3. 忽略V值最低的特征点。

总结

FAST算法比其他角点检测算法快。但是由于阈值原因，噪声高时不稳定。

opencv中FAST特征检测器

邻域设置：

1. cv2.FAST_FEATURE_DETECTOR_TYPE_5_8
2. cv2.FAST_FEATURE_DETECTOR_TYPE_7_12
3. cv2.FAST_FEATURE_DETECTOR_TYPE_9_16

代码演示

#coding=utf-8
import cv2
import numpy as np
from matplotlib import pyplot as plt

img=cv2.imread('./image2/mario.jpg')
fast=cv2.FastFeatureDetector()

kp=fast.detect(img,None)
img2=cv2.drawKeypoints(img,kp,color=(255,0,0))

print("Threshold:",fast.getInt('threshold'))
print("nonmaxSuppression:",fast.getBool('nonmaxSuppression'))
print("neighborhood:",fast.getInt('type'))
print("Total Keyponts with nonmaxSuppression:",len(kp))

cv2.imshow('fast_true',img2)

fast.setBool('nonmaxSuppression',0)
kp=fast.detect(img,None)

print("Total Keypoints without nonmaxSuppression:",len(kp))

img3=cv2.drawKeypoints(img,kp,color=(255,0,0))
cv2.imshow('fast-false',img3)