OpenCV-Python角点检测的 FAST 算法

在这一章当中,

  • 我们将了解 FAST 算法的基础知识
  • 我们将使用 OpenCV 中的 FAST 算法找出角点。

FAST 算法理论

我们看到了几个特征点检测器,其中很多都非常好。但从实时处理的角度来看,它们还不够快。一个最好的例子是 SLAM(Simultaneous Localization and Mapping,同时定位和地图构建)移动机器人,它们的计算能力十分有限。

为解决这一问题,Edward Rosten 和 Tom Drummond 在他们 2006 年(后来在 2010 年修订)的论文“Machine learning for high-speed corner detection”中提出了 FAST(Features from Accelerated Segment Test)算法。该算法的基本概要如下。有关详细信息,请参阅原始论文(所有图像均来自原始论文)。

使用 FAST 进行特征检测

  1. 在图像中选择要待标识的像素p。让它的强度为I_p

  2. 选择适当的阈值t

  3. 考虑被测像素周围的 16 个像素的圆圈。 (见下图)

    使用 FAST 进行特征检测

  4. 如果圆(16 个像素)中存在一组n个连续像素,它们都比I_p + t更亮,或者全部比I_p – t更暗,那么像素p就被认为是一个角点(如上图中白色虚线所示)。 n选取的值为 12。

  5. 为了排除大量的非角点提出了一种高速测试方法。此方法仅检查 1,9,5 和 13 处的四个像素(先测试前 1 和 9。如果它们都比I_p + t更亮,或者全部比I_p – t更暗,则检查 5 和 13)。如果p是一个角点,那么其中至少有三个必须比I_p + t更亮或比I_p – t更暗。如果这两种情况都不是,那么p不能成为一个角点。如果p可能是一个角点,再检查圆圈中的所有像素。这种检测方法本身具有很高的性能,但存在一些缺点:

  • 当 n<12 时它不会丢弃很多候选点。
  • 像素的选择不是最佳的,因为它的效果取决于要解决的问题和角点分布。
  • 高速测试的结果被丢弃了。
  • 检测到的多个特征点彼此相邻。

前 3 点可以用机器学习方法解决。最后一点使用非最大值抑制来解决。

机器学习角点检测器

  1. 选择一组训练图像(最好从待应用的领域中选择)

  2. 在每个图像中使用 FAST 算法找出特征点。

  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来构建一个特征向量P

  4. 这 16 个像素中的每个像素(例如x)可以具有以下三种状态之一:

    使用 FAST 进行特征检测

  5. 根据这些状态,特征向量P被细分为 3 个子集,P_dP_sP_b

  6. 定义一个新的布尔变量K_p,如果p是一个角,则为 true,否则为 false。

  7. 使用 ID3 算法(决策树分类器)查询每个子集。

  8. 递归计算所有子集,直到K_p的熵为零。

  9. 如此创建的决策树用于在其他图像中的 FAST 检测。

非最大值抑制

在相邻位置中检测到多个特征点是另一个问题。它通过使用非最大值抑制来解决。

  1. 计算所有检测到的特征点的分数VVp和 16 个周围像素值之间的绝对差值之和。
  2. 考虑两个相邻的特征点并比较它们的V值。
  3. 丢弃具有较低V值的那个。

总结

它比其他现有的角点检测器快几倍。

但在噪音很高时不够鲁棒,取决于阈值。

OpenCV 中的 FAST 特征点检测器

它可以像 OpenCV 中的任何其他特征点检测器一样调用。如果需要,您可以指定阈值,是否应用非最大值抑制,要使用的邻域等。

对于邻域,定义了三个标志,cv.FAST_FEATURE_DETECTOR_TYPE_5_8,cv.FAST_FEATURE_DETECTOR_TYPE_7_12 和 cv.FAST_FEATURE_DETECTOR_TYPE_9_16。下面是一个关于如何检测和绘制 FAST 特征点的简单代码。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('simple.jpg',0)
# Initiate FAST object with default values
fast = cv.FastFeatureDetector_create()
# find and draw the keypoints
kp = fast.detect(img,None)
img2 = cv.drawKeypoints(img, kp, None, color=(255,0,0))
# Print all default params
print( "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 nonmaxSuppression
fast.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)

结果如下。第一张图片使用了非最大值抑制的 FAST,而第二张没有使用:

OpenCV 中的 FAST 特征点检测器

赞(1)
未经允许不得转载:极客笔记 » OpenCV-Python角点检测的 FAST 算法
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址