用于角点检测的FAST算法

使用FAST进行特征检测

1.选择图像中是否要识别为兴趣点的像素ppp，使其强度为IpI_pIp
2.选择适当的阈值ttt
3.考虑被测像素周围有16个像素的圆圈。（见下图）

4.现在，如果圆中存在一组（共16个像素）nnn个连续的像素，它们均比Ip+tI_p + tIp+t亮，或者比Ip−tI_p-tIp−t都暗，则像素ppp是一个角。（在上图中显示为白色虚线）。n被选为12。
5.建议使用高速测试以排除大量的非角区域。此测试仅检查1、9、5和13处的四个像素（如果第一个1和9太亮或太暗，则对其进行测试。如果是，则检查5和13）。如果p是一个角，则其中至少三个必须全部比Ip+tI_p + tIp+t亮或比Ip−tI_p-tIp−t暗。如果以上两种情况都不是，则ppp不能为角。然后，可以通过检查圆中的所有像素，将完整的分段测试标准应用于通过的候选项。该检测器本身具有很高的性能，但有几个缺点：
6.它不会拒绝n <12的候选对象。
7.像素的选择不是最佳的，因为其效率取决于问题的顺序和角落外观的分布。
8.高速测试的结果被丢弃了。
9.彼此相邻地检测到多个特征。
机器学习的方法解决了前三点。使用非最大抑制来解决最后一个问题。
让机器学习一个角检测器

1.选择一组图像进行训练（最好从目标应用程序域中进行训练）
2.在每个图像中运行FAST算法以查找特征点。
3.对于每个特征点，将其周围的16个像素存储为矢量。对所有图像执行此操作以获得特征向量P。
4.这16个像素中的每个像素（例如xxx）可以具有以下三种状态之一：

1.取决于这些状态，特征矢量PPP被细分为3个子集，PdP_dPd, PsP_sPs, PbP_bPb。
2.定义一个新的布尔变量KpK_pKp，如果ppp是一个角，则为true，否则为false。
3.使用ID3算法（决策树分类器）使用变量KpK_pKp查询每个子集，以获取有关真实类的知识。它选择x，该x通过KpK_pKp的熵测得的有关候选像素是否为角的信息最多。
4.递归地将其应用于所有子集，直到其熵为零为止。
5.这样创建的决策树用于其他图像的快速检测。
非最大抑制

在相邻位置检测多个兴趣点是另一个问题。通过使用非极大抑制来解决。

1.计算所有检测到的特征点的得分函数VVV。VVV是ppp与16个周围像素值之间的绝对差之和。
2.考虑两个相邻的关键点并计算它们的VVV值。
3.丢弃较低VVV值的那个。
OpenCV中的高速拐角检测器

它被称为OpenCV中的任何其他特征检测器。如果需要，您可以指定阈值，是否要应用非极大抑制，要使用的邻域等。对于邻域，定义了三个标志，分别为cv.FAST_FEATURE_DETECTOR_TYPE_5_8，cv.FAST_FEATURE_DETECTOR_TYPE_7_12和cv.FAST_FEATURE_DETECTOR_TYPE_9_16。以下是有关如何检测和绘制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)
# 用默认值初始化FAST对象
fast = cv.FastFeatureDetector_create()
# 寻找并绘制关键点
kp = fast.detect(img,None)
img2 = cv.drawKeypoints(img, kp, None, color=(255,0,0))
# 打印所有默认参数
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)
# 关闭非极大抑制
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)

查看结果。第一张图片显示了带有nonmaxSuppression的FAST，第二张图片显示了没有nonmaxSuppression的FAST.

用于角点检测的FAST算法相关推荐

OpenCV系列之用于角点检测的FAST算法 | 四十一
目标在本章中, 我们将了解FAST算法的基础知识. 我们将使用OpenCV功能对FAST算法进行探索. 理论我们看到了几个特征检测器,其中很多真的很棒.但是,从实时应用程序的角度来看,它们不够快. ...
SLAM: 图像角点检测的Fast算法（时间阈值实验）
作为角点检测的一种快速方法,FastCornerDetect算法比Harris方法.SIft方法都要快一些,应用于实时性要求较高的场合,可以直接应用于SLAM的随机匹配过程.算法来源于2006年的Ed ...
SLAM: 图像角点检测的Fast算法（OpenCV文档）
官方链接:http://docs.opencv.org/trunk/doc/py_tutorials/py_feature2d/py_fast/py_fast.html#fast-algorithm- ...
OpenCV —— 角点检测之 Harris 角点检测、Shi-Tomasi 角点检测、FAST 角点检测
角点检测 Harris 角点检测实现原理 OpenCV 函数优化 Shi-Tomasi 角点检测实现原理 OpenCV 函数 FAST 角点检测实现原理 OpenCV 函数优化在图像处理和 ...
基于光强的角点检测（SUSAN角点检测、FAST角点检测、FAST-ER角点检测）
Corner Feature Detector(Intensity-Based) 基于光强比较的角点检测,直接比较光强(像素灰度值),而不计算梯度.所以实时性更好,所需的存储空间更小. SUSAN 角 ...
OpenCV Fast角点检测
FAST是一种用于角点检测的算法,该算法的原理是取图像中检测点,以改点为圆心的周围邻域内像素点判断监测点是否为角点. OpenCV中的FAST检测算法是用传统方法实现的. 实例化fast fast = ...
图像局部特征（三）--FAST角点检测子
Features From Accelerated Segment Test 1. FAST算法原理博客中已经介绍了很多图像特征检测算子,我们可以用LoG或者DoG检测图像中的Blobs(斑点检测) ...
角点检测和匹配之Harris与FAST角点检测
这一章主要内容: 1. Harris角点检测 2. FAST特征检测 3. 尺度不变的SURF特征检测 4.SURF检测描述一.引言在计算机视觉中,特征点或称兴趣点,角点(即图像的极值点,线段的终 ...
opencv角点检测学习总结
学习opencv 角点检测如果一个点在两个正交方向上都有明显的导数,则我们认为此点更倾向于是独一无二的,所以许多可跟踪的特征点都是角点. 一下为角点检测中用到的一些函数 cvGoodFeatures ...

用于角点检测的FAST算法

用于角点检测的FAST算法相关推荐

最新文章

热门文章