图像处理之FAST特征点检测

2019-04-15 13:18发布

站内文章 / PIC单片机
16561 0 1607

简介

        在局部特征点检测快速发展的时候，人们对于特征的认识也越来越深入，近几年来许多学者提出了许许多多的特征检测算法及其改进算法，在众多的特征提取算法中，不乏涌现出佼佼者。        从最早期的Moravec，到Harris，再到SIFT、SUSAN、GLOH、SURF算法，可以说特征提取算法层出不穷。各种改进算法PCA-SIFT、ICA-SIFT、P-ASURF、R-ASURF、Radon-SIFT等也是搞得如火如荼，不亦乐乎。上面的算法如SIFT、SURF提取到的特征也是非常优秀（有较强的不变性），但是时间消耗依然很大，而在一个系统中，特征提取仅仅是一部分，还要进行诸如配准、提纯、融合等后续算法。这使得实时性不好，降系了统性能。        Edward Rosten和Tom Drummond两位大神经过研究，于2006年在《Machine learning for high-speed corner detection》中提出了一种FAST特征点，并在2010年稍作修改后发表了《Features From Accelerated Segment Test》，简称FAST。注意：FAST只是一种特征点检测算法，并不涉及特征点的特征描述。

FAST详解

FAST特征的定义

      FAST的提出者Rosten等将FAST角点定义为：若某像素与其周围邻域内足够多的像素点相差较大，则该像素可能是角点。

FAST算法的步骤


1、上图所示，一个以像素p为中心，半径为3的圆上，有16个像素点（p1、p2、...、p16）。2、定义一个阈值。计算p1、p9、p5、p13与中心p的像素差，若它们的绝对值有至少3个超过阈值，则当做候选角点，再进行下一步考察；否则，不可能是角点；3、若p是候选点，则计算p1到p16这16个点与中心p的像素差，若它们有至少连续9个超过阈值，则是角点；否则，不可能是角点。4、对图像进行非极大值抑制：计算特征点出的FAST得分值（即score值，也即s值），判断以特征点p为中心的一个邻域（如3x3或5x5）内，计算若有多个特征点，则判断每个特征点的s值（16个点与中心差值的绝对值总和），若p是邻域所有特征点中响应值最大的，则保留；否则，抑制。若邻域内只有一个特征点（角点），则保留。得分计算公式如下（公式中用V表示得分，t表示阈值）：
       上面是FAST-9，当然FAST-10、FAST-11、FAST-12也是一样的，只是步骤3中，超过阈值的个数不一样。FAST算法实现起来简单，尤其是以速度快著称。       以上便是FAST特征检测的过程，清晰明了，而对于角点的定义也是做到了返璞归真，大师就是大师，还原本质的能力很强，估计以前这种简单想法被很多人忽略了。

实验

opencv代码

[cpp] view plain copy
  1. #include   
  2. #include   
  3. #include   
  4. #include   
  5. #include   
  6.   
  7. using namespace cv;  
  8. using namespace std;  
  9.   
  10. int main()  
  11. {  
  12.     Mat frame=imread("lena.jpg", 1);  
  13.     double t = getTickCount();//当前滴答数  
  14.     std::vector keyPoints;  
  15.     FastFeatureDetector fast(50);   // 检测的阈值为50  
  16.   
  17.     fast.detect(frame, keyPoints);  
  18.     drawKeypoints(frame, keyPoints, frame, Scalar(0,0,255), DrawMatchesFlags::DRAW_OVER_OUTIMG);  
  19.       
  20.     t = ((double)getTickCount() - t)/getTickFrequency();  
  21.     cout<<"算法用时："<"秒"<
  22.   
  23.     imshow("FAST特征点", frame);  
  24.     cvWaitKey(0);  
  25.   
  26.     return 0;  
  27. }  
输出结果：

MATLAB代码

再上一个自己编写的MATLAB代码，没有进行非极大值抑制，效果不及opencv，而且检测出的角点有一定的出入，应该是opencv内部做了一定的优化。[cpp] view plain copy
  1. clear all;  
  2. close all;  
  3. %%  
  4. pic=imread('lena.jpg');  
  5. img=pic;  
  6. [M N D]=size(pic);  
  7. if D==3  
  8.     pic=rgb2gray(pic);  
  9. end  
  10. %%  
  11. mask=[0 0 1 1 1 0 0;...  
  12.       0 1 0 0 0 1 0;...  
  13.       1 0 0 0 0 0 1;...  
  14.       1 0 0 0 0 0 1;...  
  15.       1 0 0 0 0 0 1;...  
  16.       0 1 0 0 0 1 0;...  
  17.       0 0 1 1 1 0 0];  
  18. mask=uint8(mask);  
  19. threshold=50;  
  20. figure;imshow(img);title('FAST角点检测');hold on;  
  21. tic;  
  22. for i=4:M-3  
  23.     for j=4:N-3%若I1、I9与中心I0的差均小于阈值，则不是候选点  
  24.         delta1=abs(pic(i-3,j)-pic(i,j))>threshold;  
  25.         delta9=abs(pic(i+3,j)-pic(i,j))>threshold;  
  26.         delta5=abs(pic(i,j+3)-pic(i,j))>threshold;  
  27.         delta13=abs(pic(i,j-3)-pic(i,j))>threshold;  
  28.         if sum([delta1 delta9 delta5 delta13])>=3  
  29.             block=pic(i-3:i+3,j-3:j+3);  
  30.             block=block.*mask;%提取圆周16个点  
  31.             pos=find(block);  
  32.             block1=abs(block(pos)-pic(i,j))/threshold;  
  33.             block2=floor(block1);  
  34.             res=find(block2);  
  35.             if size(res,1)>=12  
  36.                 plot(j,i,'ro');  
  37.             end  
  38.         end  
  39.     end  
  40. end  
  41. toc;  
  42. %%  
输出结果：

参考文献

1、Machine learning for high-speed corner detection[J],2006.2、Features From Accelerated Segment Test[J],2010.3、基于自适应阈值的FAST特征点提取算法[J],2013

热门文章