Opencv 角点检测的 FAST 算法

目标
• 理解 FAST 算法的基础
• 使用 OpenCV 中的 FAST 算法相关函数进行角点检测
原理
  我们前面学习了几个特征检测器，它们大多数效果都很好。但是从实时处理的角度来看，这些算法都不够快。一个最好例子就是 SLAM（同步定位与地图构建），移动机器人，它们的计算资源非常有限。为了解决这个问题， Edward_Rosten 和 Tom_Drummond 在 2006 年提出里 FAST 算法。我们下面将会对此算法进行一个简单的介绍。你可以参考原始文献获得更多细节（本节中的所有图像都是取自原始文章）。

1 、使用 FAST 算法进行特征提取

1. 在图像中选取一个像素点 p，来判断它是不是关键点。 Ip 等于像素点 p的灰度值。
2. 选择适当的阈值 t。
3. 如下图所示在像素点 p 的周围选择 16 个像素点进行测试。
   
4. 如果在这 16 个像素点中存在 n 个连续像素点的灰度值都高于 Ip + t，或者低于 Ip − t，那么像素点 p 就被认为是一个角点。如上图中的虚线所示，n 选取的值为 12。
5. 为了获得更快的效果，还采用了而外的加速办法。首先对候选点的周围每个 90 度的点： 1， 9， 5， 13 进行测试（先测试 1 和 19, 如果它们符合阈值要求再测试 5 和 13）。如果 p 是角点，那么这四个点中至少有 3 个要符合阈值要求。如果不是的话肯定不是角点，就放弃。对通过这步测试的点再继续进行测试（是否有 12 的点符合阈值要求）。这个检测器的效率很高，但是它有如下几条缺点：
   • 当 n<12 时它不会丢弃很多候选点 (获得的候选点比较多)。
   • 像素的选取不是最优的，因为它的效果取决与要解决的问题和角点的分布情况。
   • 高速测试的结果被抛弃
   • 检测到的很多特征点都是连在一起的。
   前 3 个问题可以通过机器学习的方法解决，最后一个问题可以使用非最大值抑制的方法解决。

2、 机器学习的角点检测器

1. 选择一组训练图片（最好是跟最后应用相关的图片）
2. 使用 FAST 算法找出每幅图像的特征点
3. 对每一个特征点，将其周围的 16 个像素存储构成一个向量。对所有图像都这样做构建一个特征向量 P
4. 每一个特征点的 16 像素点都属于下列三类中的一种
   
5. 根据这些像素点的分类，特征向量 P 也被分为 3 个子集： Pd， Ps， Pb
6. 定义一个新的布尔变量 Kp，如果 p 是角点就设置为 Ture，如果不是就设置为 False。
7. 使用 ID3 算法（决策树分类器）使用ID3算法（决策树分类器）使用变量Kp查询每个子集，了解真实类的知识。 它选择产生关于候选像素是否是由Kp的熵测量的角的最多信息的x
8. 上述方法递归地应用于所有子集，直到其熵为零。
9. 将构建好的决策树运用于其他图像的快速的检测

3 、非极大值抑制

使用极大值抑制的方法可以解决检测到的特征点相连的问题
1. 对所有检测到到特征点构建一个打分函数 V。 V 就是像素点 p 与周围 16个像素点差值的绝对值之和。
2. 计算临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法都快；
在噪声很高时不稳定，这是由阈值决定的。

4、OpenCV 中 FAST 特征检测器

  很其他特征点检测一样我们可以在 OpenCV 中直接使用 FAST 特征检测器。如果你愿意的话，你还可以设置阈值，是否进行非最大值抑制，要使用的邻域大小（）等。
邻域设置为下列 3 中之一：
cv2.FAST_FEATURE_DETECTOR_TYPE_5_8,
cv2.FAST_FEAT
cv2.FAST_FEATURE_DETECTOR_TYPE_9_16。
下面是使用 FAST 算法进行特征点检测的简单代码。

import cv2
import numpy as np 
from matplotlib import pyplot as plt 

img = cv2.imread('image/22.png',0)
fast = cv2.FastFeatureDetector()
kp = fast.detect(img,None)
img2 = cv2.drawKeypoints(img, kp, color=(255,0,0))
print "Threshold:",fast.getInt('threshold')
print "nonmaxSoppression:",fast.getBool('nonmaxSuppression')
print "neighborhood:",fast.getInt('type')
print "Total Keypoints with nonmaxSuppression:",len(kp)
cv2.imwrite('fast_true.png', 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.imwrite('fast_false.png', img3)

结果图：

第一幅图是使用了非最大值抑制的结果，第二幅没有使用非最大值抑制
参考：opencv官方教程中文版（For Python）