OpenCV-Python——第28章：FAST特征检测算法

原理使用FAST算法进行特征提取机器学习的角点检测器非极大值抑制 OpenCV中的FAST特征检测器

0 原理

我们前面学习了几个特征检测器，它们大多数效果都很好。但是从实时处理的角度来看，这些算法都不够快。一个最好例子就是 SLAM（同步定位与地图构建），移动机器人，它们的计算资源非常有限。为了解决这个问题，Edward_Rosten 和 Tom_Drummond 在 2006 年提出里 FAST 算法。我们下面将会对此算法进行一个简单的介绍。你可以参考原始文献获得更多细节（本节中的所有图像都是曲子原始文章）

1 使用FAST算法进行特征提取

在图像中选取一个像素点 p，来判断它是不是关键点。 $I{_{p}}$ 等于像素点 p 的灰度值。
选择适当的阈值 t。
如下图所示在像素点 p 的周围选择 16 个像素点进行测试。
如果在这 16 个像素点中存在 n 个连续像素点的灰度值都高于 $I{_{p}}+t$ ，或者低于 $I{_{p}}-t$ ，那么像素点 p 就被认为是一个角点。如上图中的虚线所示， n 选取的值为 12。
为了获得更快的效果，还采用了而外的加速办法。首先对候选点的周围每个 90 度的点：1，9，5，13 进行测试（先测试 1 和 19, 如果它们符合阈值要求再测试 5 和 13）。如果 p 是角点，那么这四个点中至少有 3 个要符合阈值要求。如果不是的话肯定不是角点，就放弃。对通过这步测试的点再继续进行测试（是否有 12 的点符合阈值要求）。这个检测器的效率很高，但是它有如下几条缺点：

当 n<12 时它不会丢弃很多候选点 (获得的候选点比较多)
像素的选取不是最优的，因为它的效果取决与要解决的问题和角点的分布情况。
高速测试的结果被抛弃
检测到的很多特征点都是连在一起的。

前 3 个问题可以通过机器学习的方法解决，最后一个问题可以使用非最大值抑制的方法解决。

2 机器学习的角点检测器

选择一组训练图片（最好是跟最后应用相关的图片）
使用 FAST 算法找出每幅图像的特征点
对每一个特征点，将其周围的 16 个像素存储构成一个向量。对所有图像都这样做构建一个特征向量 P
每一个特征点的 16 像素点都属于下列三类中的一种。 $S{_{p\rightarrow x}}=\left \{ \begin{matrix}d, I{_{p\rightarrow x}} \leqslant I{_{p}}-t (darker)\\ s, I{_{p}}+t < I{_{p\rightarrow x}} < I{_{p}} (similar)\\ b, I{_{p}}+t \leqslant I{_{p\rightarrow x}}} (brighter) \end{matrix}$
根据这些像素点的分类，特征向量 P 也被分为 3 个子集： $P{_{d}},P{_{s}},P{_{b}}$
定义一个新的布尔变量 $K{_{p}}$ ，如果 p 是角点就设置为 Ture，如果不是就设置为 False。
利用ID3 决策树算法来查询每个自己，使用布尔型变量 $K{_{p}}$ 来标记真实分类的信息。选取到的像素点x会产生很多关于候选特征点是否是一个像素点信息，该信息由 $K{_{p}}$ 的熵值决定。
此过程递归的进行到所有的子集，直到熵值为0。
将构建好的决策树运用于其他图像的快速的检测

3 非极大值抑制

使用极大值抑制的方法可以解决检测到的特征点相连的问题
对所有检测到到特征点构建一个打分函数 V。V 就是像素点 p 与周围 16 个像素点差值的绝对值之和。
计算临近两个特征点的打分函数 V。 3. 忽略 V 值最低的特征点

总的来说，FAST 算法比其它角点检测算法都快。但是在噪声很高时不够稳定，这是由阈值决定的。

4 OpenCV中的FAST特征检测器

fast = cv2.FastFeatureDetector_create(, threshold, nonmaxSuppression, type)

threshold：阈值，默认10
nonmaxSuppression：非极大值抑制，默认True
type：检测器类型：

cv2.FAST_FEATURE_DETECTOR_TYPE_5_8

cv2.FAST_FEATURE_DETECTOR_TYPE_7_12

cv2.FAST_FEATURE_DETECTOR_TYPE_9_16，默认

举个例子：

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('test30.jpg', 0)
# 使用默认值初始化FAST对象
fast = cv2.FastFeatureDetector_create()

# 寻找和画出关键点
kp = fast.detect(img, None)
img2 = cv2.drawKeypoints(img, kp, None, color=(255, 0, 0))

# 关闭非极大值抑制
fast.setNonmaxSuppression(False)
kp = fast.detect(img, None)

img3 = cv2.drawKeypoints(img, kp, None, color=(255, 0, 0))

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.subplot(121), plt.imshow(img2),
plt.title('开启非极大值抑制'), plt.axis('off')
plt.subplot(122), plt.imshow(img3),
plt.title('关闭非极大值抑制'), plt.axis('off')
plt.show()

结果如下，可以看出关闭非极大值后，特征点变多。