openCV - 角點檢測快速演算法 FAST

目標

在這個章節,

• 我們將理解FAST演算法的基本原理
• 並在openCV中使用FAST演算法的函式.

原理

我們看到了幾個特性檢測器，其中很多都非常好. 但是從實時應用的角度來看，它們還不夠快. 一個很好的例子：比如要在計算資源有限的移動機器人上應用SLAM技術 (即使定位和地圖構建技術) 將出現問題。一個解決方案就是採用FAST演算法，由Edward Rosten和Tom Drummond在他們2006年的論文《機器學習用於高速拐角檢測》中提出(後來在2010年進行了修訂)。演算法的基本總結如下。

使用 FAST來檢測特徵

1. 選擇影像中的畫素 p 作為興趣點或不作為興趣點。讓它的強度  I p .
2. 選擇合適的閾值  t .
3. 圍繞測試中的畫素考慮一個由16個畫素組成的圓圈 (如下圖所示)

1. 那麼畫素  p  是一個角點，如果圓圈中有一組相鄰的n個畫素(為16個畫素中的n個)，它們的亮度都大於  Ip + t , 或者比  Ip − t  暗. (在上圖中白色虛線表示). n 為12.
2. 提出了一種排除大量非轉角的高速試驗方法。這個測試只檢查1,9,5和13處的4個畫素(先測試1和9處的畫素看是否它們太亮或太暗，如果是，那麼再檢查5和13)。如果 p 是一個角，那麼其中至少三個點的亮度必須大於 Ip+t  或比 Ip - t  暗。如果這兩者都不是，那麼  p  就不能是角。然後透過對圓形中所有畫素的檢測，將全段測試準則應用到透過的候選物件上。該探測器本身表現出高效能，但有幾個弱點:

• 該演算法不會拒絕大量 n < 12 的候選點.
• 畫素的選擇不是最優的，因為它的效率取決於問題的排序和角的分佈。
• 快速測試的結果可能被丟棄。
• 多個特徵相鄰檢測。

前3點是用機器學習方法解決的。最後一個是使用非最大抑制。

機器學習角檢測器

1. 選擇一組用於培訓的影像 (最好來自檢測目標範圍的影像)
2. 對每一張影像運用 FAST 演算法找到特點.
3. 對於每個特徵點，將其周圍的16個畫素儲存為一個向量。對所有的影像都這樣做，得到特徵向量 P 。
4. 這16個畫素中的每個畫素(比如x)都可以有以下三種狀態之一:

5. 根據這些狀態，特徵向量 P 被細分為三個子集,  Pd, Ps, Pb.

6. 定義一個新的布林變數 Kp ，如果 p 是一個角，則為真，否則為假。

7. 使用ID3演算法(決策樹分類器)查詢每個子集，使用變數 Kp 查詢關於真類。它選擇產生最多資訊量的x作為是否是角的候選，可以 透過計算 Kp 的熵來度量。

8. 遞迴地應用於所有子集，直到它的熵為零。

9. 所建立的決策樹用於其他影像的快速檢測。

非最大值抑制

在相鄰位置檢測多個興趣點是另一個問題。採用非最大抑制法求解。

1. 計算一個分數函式，V代表所有檢測到的特徵點。V是p和周圍16個畫素值的絕對差值之和。
2. 考慮兩個相鄰的關鍵點並計算它們的V值。
3. Discard t丟棄V值較低的那個。

總結

它比其他現有的角探測器快幾倍。

但它對高噪點的影像效果並不好，依賴於閾值設定。

OpenCV中應用FAST

和其它特徵檢測器一樣。假如你想，你可以指定閾值，不管非最大值抑制用不用，鄰域都開啟。鄰域定義了3個標籤，cv.FAST_FEATURE_DETECTOR_TYPE_5_8, cv.FAST_FEATURE_DETECTOR_TYPE_7_12 and cv.FAST_FEATURE_DETECTOR_TYPE_9_16. 下面簡單的幾行程式碼展示如何使用FAST函式檢測和繪製特徵點。

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)

看結果，左邊和右邊分別顯示開啟和不開起非最大值抑制的效果: