【OpenCV文档】用于角点检测的Fast算法

申明,本文非笔者原创,原文转载自:http://blog.csdn.net/candycat1992/article/details/22285979


目标


  • 理解FAST算法的基本原理
  • 使用OpenCV的FAST函数进行角点(corners)检测



原理


我们已知很多种特征检测的方法,而且它们其中很多效果都非常不错。但是,当从一个实时运行的程序角度出发,它们还不够快。一个最好的例子就是SLAM(Simultaneous Localization and Mapping)移动机器人,它的可计算资源是受限的。

作为上述问题的一个解决方法,FAST(Features from Accelerated Segment Test)算法由 Edward Rosten 和 Tom Drummond在他们2006年的论文 “ Machine learning for high-speed corner detection”(在2010年再次被 修订)中被提出。下面是该算法的一个基本总结。你可以参见原论文去学习更多的细节(下面所有的图片是从原论文中提取的)。



使用FAST进行特征检测


  1. 从图片中选取一个像素点,下面我们将判断它是否是一个特征点。我们首先把它的密度(即像素值)设为 
  2. 设定一个合适的阙值 
  3. 考虑该像素点周围的16个像素。(见下图)
    【OpenCV文档】用于角点检测的Fast算法_第1张图片
  4. 现在,如果在这个大小为16个像素的圆上有 个连续的像素点,它们的像素值要么都比大,要么都比 小,那么它就是一个角点。(如上图中白色虚线所示)。 这里被设定为12。

  5. 我们现在应该提出一个高效的测试,来快速排除一大部分是非角点的点。该测试仅仅检查在位置1、9、5和13四个位置的像素(首先检查1和9,看它们是否亮于或暗于阙值。如果是,再检查5和13)。如果是一个角点,那么上述四个像素点中至少有3个应该必须都大于或者小于 (因为若是一个角点,超过四分之三个圆的部分应该满足判断条件,半圆比包含上述某三个点)。如果都不满足,那么不可能是一个角点。完整的分段测试可以被用于接受的所有候选点,通过检测圆上的所有点。这种检测有很好的性能,但是有一些缺点:
    1. 当n < 12时不能拒绝许多候选点。
    2. 检测出来的角点不是最优的,这是因为它的效率是依靠角点外形的排列和分布的。
    3. 
    4. 相邻的多个特征点会被检测到。

前三个问题可以使用机器学习的方法解决。最后一个可以使用non-maximal suppression



机器学习


  1. 选择一个图片集合进行学习(最好是来自于目标应用定义域)。
  2. 在每一张图上运行FAST算法,找到特征点。
  3. 对于每个特征点,存储它周围的16个像素点到一个vector中。为所有的图片做同样的事,得到它们所有特征点的vector  
  4. 这16个像素中的每一个像素(假设为),可以有下面三种状态中的一种:
    【OpenCV文档】用于角点检测的Fast算法_第2张图片
  5. 依靠这些状态,特征向量被划分为3个子集,
  6. 定义一个新的布尔变量,。如果 是一个角点,那些为真;否则为假。
  7. 使用ID3算法(决策树分类器)来查询每一个子集。
  8. 递归计算所有的子集直到它的嫡为0。
  9. 被创建的决策树就被用于其他图片的fast检测。


non-maximal suppression


从邻近的位置选取了多个特征点是另一个问题。我们可以使用non-maximal suppression来解决。

  1. 为每一个检测到的特征点计算它的分数函数(score function),  是和它周围16个像素点的绝对偏差的和。
  2. 考虑两个相邻的特征点,并比较它们的值。
  3. 值较低的点将会被剔除。


总结


FAST算法比其他已知的角点检测法要快很多倍。
但是当图片的噪点较多时,它的健壮性并不好。这依靠一个阙值。



OpenCV中的FAST特征检测


和OpenCV中其他特征检测器的调用相同。如果你想,你可以指定一个阙值,或者决定是否使用 non-maximal suppression来判断邻近特征点。

对于相邻特征点,OpenCV定义了三个flags:
  • cv2.FAST_FEATURE_DETECTOR_TYPE_5_8
  • cv2.FAST_FEATURE_DETECTOR_TYPE_7_12
  • cv2.FAST_FEATURE_DETECTOR_TYPE_9_16
下面是一个简单的示例代码。
[python]  view plain copy print ?
  1. import numpy as np  
  2. import cv2  
  3. from matplotlib import pyplot as plt  
  4.   
  5. img = cv2.imread('simple.jpg',0)  
  6.   
  7. # Initiate FAST object with default values  
  8. fast = cv2.FastFeatureDetector()  
  9.   
  10. # find and draw the keypoints  
  11. kp = fast.detect(img,None)  
  12. img2 = cv2.drawKeypoints(img, kp, color=(255,0,0))  
  13.   
  14. # Print all default params  
  15. print "Threshold: ", fast.getInt('threshold')  
  16. print "nonmaxSuppression: ", fast.getBool('nonmaxSuppression')  
  17. print "neighborhood: ", fast.getInt('type')  
  18. print "Total Keypoints with nonmaxSuppression: ", len(kp)  
  19.   
  20. cv2.imwrite('fast_true.png',img2)  
  21.   
  22. # Disable nonmaxSuppression  
  23. fast.setBool('nonmaxSuppression',0)  
  24. kp = fast.detect(img,None)  
  25.   
  26. print "Total Keypoints without nonmaxSuppression: ", len(kp)  
  27.   
  28. img3 = cv2.drawKeypoints(img, kp, color=(255,0,0))  
  29.   
  30. cv2.imwrite('fast_false.png',img3)  

下面是测试结果。左边是使用了 nonmaxSuppression的FAST,右边则没有使用。

【OpenCV文档】用于角点检测的Fast算法_第3张图片

你可能感兴趣的:(【OpenCV文档】用于角点检测的Fast算法)