【youcans 的 OpenCV 例程 300篇】243. 特征检测之 FAST 算法
6.6.1 FAST 算法简介
FAST（Features From Accelerated Segment Test） 是一种特征点检测算法，用于特征提取但不涉及特征描述。
SIFT、SURF 的计算量很大，难以满足实时性的要求。Edward Rosten 在 2006 年提出了 FAST特征检测算法。FAST 算法通过与圆周像素的比较结果判别特征点，计算速度快、可重复性高，非常适合实时视频的处理。
FAST 算法将角点定义为：如果像素点与其周围邻域内多个像素相差较大，则该像素点可能是角点。
因此，在以像素点为中心的圆周上均匀地取 16 个像素点，如果其中连续 N 个像素点与中心点的像素值之差都大于设置的阈值，则中心像素被判定为角点。具体有两种情况，一是连续 N 个像素点都比中心点更亮，二是连续 N 个像素点都比中心点更暗，且亮度差都大于设置的阈值 t。
为了提高检测效率，可以通过初步筛选剔除大量的非角点：如果取 N=12，则圆周与横轴纵轴的 4 个交点中必有 3个满足上述亮度差的条件。计算 p1、p9、p5、p13 与中心点 p 的像素差，若其中至少 3 个像素差满足阈值条件，则作为候选点，否则剔除。
在 OpenCV 中，采用分别检测横轴、纵轴的两个交点进行初步筛选：（1）计算 p1、p9 与中心点 p 的像素差，若不满足阈值条件则剔除；（2）计算 p5、p13 与中心点 p 的像素差，若不满足阈值条件则剔除。
FAST 算法的实现步骤为：
（1）设置比较阈值 t，用于比较像素值的差异是否足够大。
（2）构建移动窗口，从以像素 p 为中心、半径为 3 的圆周上，选择 16个像素点，编号为 p1～p16。
（3）计算像素 pk 与中心点 p 的像素差并进行比较： ( I p k − I p > t ) o r ( I p − I p k > t ) (I_{pk}-I_p>t) \ or \ (I_p-I_{pk}>t) (Ipk−Ip>t) or (Ip−Ipk>t)
3.1 计算 p1、p9、p5、p13 与 p 的像素差，若其中至少 3 个像素差大于阈值 t（或小于 -t），则 P 为候选点，否则 p 不是特征点；
3.2 若 p 是候选点，计算 p1~p16 与中心点 p 的像素差，若至少有连续 9 个（或 12个）点的像素差都大于阈值 t（或小于 -t），则 P 是特征点。
（4）非极大值抑制：邻域中如果存在多个特征点，只保留响应值最大的特征点。
FAST 算法的优点和不足：
（1）FAST 算法简单快速， 比其它算法快很多；
（2）FAST 算法对噪声的影响非常敏感，阈值 t 的大小对结果的影响很大；
（3）FAST 基本算法不产生多尺度特征，也没有方向信息，因此不具有尺度不变性、旋转不变性。
6.6.2 OpenCV 中的 FastFeatureDetector 类
OpenCV 提供了丰富的特征检测算法，而且继承了 cv::Feature2D 类，采用了统一的定义和封装。
OpenCV 中提供 cv::FastFeatureDetector 类实现 FastFeatureDetector 方法，继承了 cv::Feature2D 类，通过 create 静态方法创建。
FastFeatureDetector 类的构造函数为：
static Ptr< FastFeatureDetector >
cv::FastFeatureDetector::create (int threshold=10, bool nonmaxSuppression=true, FastFeatureDetector::DetectorType type=FastFeatureDetector::TYPE_9_16)
在 Python 语言中，OpenCV 提供了 FastFeatureDetector 类的接口函数 cv.FastFeatureDetector.create()， 实例化 FastFeatureDetector 类。
cv.FastFeatureDetector.create([, threshold=10, nonmaxSuppression=true, type=FastFeatureDetector::TYPE_9_16]) → retval
cv.FastFeatureDetector_create([, threshold=10, nonmaxSuppression=true, type=FastFeatureDetector::TYPE_9_16]) → retval
FastFeatureDetector.detect(image, [, mask]) → keypoints
参数说明：
- image：输入图像，单通道
- keypoints ：检测到的关键点，是一个特殊的数据结构，包括以下属性：
- Point2f pt：坐标
- float size：关键点的邻域直径
- float angle：关键点的方向，取值为 [0，360）
- float response：关键点的响应强度
- int octave：关键点所在的图像金字塔的组
- int class_id：关键点的 id 编号
- threshold：差分阈值 t，可选项，默认值为 10
- nonmaxSuppression：是否进行非最大值抑制，可选项，默认为 true
- type：检测方案类型，默认值 TYPE_9_16
- FastFeatureDetector::TYPE_9_16，表示圆周上16个像素点/连续9个像素点满足条件
- FastFeatureDetector::TYPE_7_12，表示圆周上12个像素点/连续7个像素点满足条件
- FastFeatureDetector::TYPE_5_8，表示圆周上8个像素点/连续5个像素点满足条件
- mask：掩模图像，8 位单通道，指定查找关键点的区域，可选项
注意事项：
- 函数 cv.FastFeatureDetector.create() 实例化 FastFeatureDetector 类，构造一个 FastFeatureDetector 对象。
- 差分阈值 threshold 的取值非常重要，严重影响检测结果。
例程 14.25：特征检测之 FAST 算法
# 14.25 特征检测之 FAST 算子
# # 读取基准图像
img = cv.imread("../images/Circuit04.png", flags=1) # 基准图像
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) # (425, 558)
height, width = gray.shape[:2]
print("shape of image: ", height, width)
fast = cv.FastFeatureDetector_create() # 初始化 FAST 对象
# 默认值：threshold=10, nonmaxSuppression=true, type=FastFeatureDetector::TYPE_9_16
kpNMS1 = fast.detect(img, None) # 检测关键点
imgFASTnms1 = cv.drawKeypoints(img, kpNMS1, None, color=(255, 0, 0))
# 关闭非极大抑制
fast.setNonmaxSuppression(0) # nonmaxSuppression=false
kp1 = fast.detect(img, None)
imgFAST1 = cv.drawKeypoints(img, kp1, None, color=(255, 0, 0))
print("\nthreshold: {}".format(fast.getThreshold()))
print("num of Keypoints without NMS: {}".format(len(kp1)))
print("num of Keypoints with NMS: {}".format(len(kpNMS1)))
fastT2 = cv.FastFeatureDetector_create(threshold=20) # 设置差分阈值为 20
kpNMS2 = fastT2.detect(img, None) # 检测关键点
imgFASTnms2 = cv.drawKeypoints(img, kpNMS2, None, color=(255, 0, 0))
# 关闭非极大抑制
fastT2.setNonmaxSuppression(0) # nonmaxSuppression=false
kp2 = fastT2.detect(img, None)
imgFAST2 = cv.drawKeypoints(img, kp2, None, color=(255, 0, 0))
print("\nthreshold: {}".format(fastT2.getThreshold()))
print("num of Keypoints without NMS: {}".format(len(kp2)))
print("num of Keypoints with NMS: {}".format(len(kpNMS2)))
fastT3 = cv.FastFeatureDetector_create(threshold=40) # 设置差分阈值为 40
kpNMS3 = fastT3.detect(img, None) # 检测关键点
imgFASTnms3 = cv.drawKeypoints(img, kpNMS3, None, color=(255, 0, 0))
# 关闭非极大抑制
fastT3.setNonmaxSuppression(0) # nonmaxSuppression=false
kp3 = fastT3.detect(img, None)
imgFAST3 = cv.drawKeypoints(img, kp3, None, color=(255, 0, 0))
print("\nthreshold: {}".format(fastT3.getThreshold()))
print("num of Keypoints without NMS: {}".format(len(kp3)))
print("num of Keypoints with NMS: {}".format(len(kpNMS3)))
plt.figure(figsize=(9, 6))
plt.subplot(231), plt.title("FAST without NMS (t=10)")
plt.axis('off'), plt.imshow(cv.cvtColor(imgFAST1, cv.COLOR_BGR2RGB))
plt.subplot(232), plt.title("FAST without NMS (t=20)")
plt.axis('off'), plt.imshow(cv.cvtColor(imgFAST2, cv.COLOR_BGR2RGB))
plt.subplot(233), plt.title("FAST without NMS (t=40)")
plt.axis('off'), plt.imshow(cv.cvtColor(imgFAST3, cv.COLOR_BGR2RGB))
plt.subplot(234), plt.title("FAST with NMS (t=10)")
plt.axis('off'), plt.imshow(cv.cvtColor(imgFASTnms1, cv.COLOR_BGR2RGB))
plt.subplot(235), plt.title("FAST with NMS (t=20)")
plt.axis('off'), plt.imshow(cv.cvtColor(imgFASTnms2, cv.COLOR_BGR2RGB))
plt.subplot(236), plt.title("FAST with NMS (t=40)")
plt.axis('off'), plt.imshow(cv.cvtColor(imgFASTnms3, cv.COLOR_BGR2RGB))
plt.tight_layout()
plt.show()
运行结果：
threshold: 10
num of Keypoints without NMS: 12100
num of Keypoints with NMS: 3704
threshold: 20
num of Keypoints without NMS: 5591
num of Keypoints with NMS: 1892
threshold: 40
num of Keypoints without NMS: 1974
num of Keypoints with NMS: 840
参考文献：Edward Rosten and Tom Drummond, “Machine learning for high speed corner detection” in 9th European Conference on Computer Vision, vol. 1, 2006, pp. 430–443.
【本节完】
版权声明：
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/127333535)
Copyright 2022 youcans, XUPT
Crated：2022-10-15240. OpenCV 中的 Shi-Tomas 角点检测
241. 尺度不变特征变换（SIFT）
242. 加速稳健特征检测算法（SURF）
243. 特征检测之 FAST 算法