Opencv 角点检测的 FAST 算法
2017-05-31 21:23
218 查看
目标
• 理解 FAST 算法的基础
• 使用 OpenCV 中的 FAST 算法相关函数进行角点检测
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取自原始文章)。
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 Ip + t,或者低于 Ip − 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。
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
根据这些像素点的分类,特征向量 P 也被分为 3 个子集: Pd, Ps, Pb
定义一个新的布尔变量 Kp,如果 p 是角点就设置为 Ture,如果不是就设置为 False。
使用 ID3 算法(决策树分类器)使用ID3算法(决策树分类器)使用变量Kp查询每个子集,了解真实类的知识。 它选择产生关于候选像素是否是由Kp的熵测量的角的最多信息的x
上述方法递归地应用于所有子集,直到其熵为零。
将构建好的决策树运用于其他图像的快速的检测
1. 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。
2. 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
总结
FAST算法比其他角点检测法都快;
在噪声很高时不稳定,这是由阈值决定的。
邻域设置为下列 3 中之一:
cv2.FAST_FEATURE_DETECTOR_TYPE_5_8,
cv2.FAST_FEAT
cv2.FAST_FEATURE_DETECTOR_TYPE_9_16。
下面是使用 FAST 算法进行特征点检测的简单代码。
结果图:
第一幅图是使用了非最大值抑制的结果,第二幅没有使用非最大值抑制
参考:opencv官方教程中文版(For Python)
• 理解 FAST 算法的基础
• 使用 OpenCV 中的 FAST 算法相关函数进行角点检测
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取自原始文章)。
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。 Ip 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 Ip + t,或者低于 Ip − 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
根据这些像素点的分类,特征向量 P 也被分为 3 个子集: Pd, Ps, Pb
定义一个新的布尔变量 Kp,如果 p 是角点就设置为 Ture,如果不是就设置为 False。
使用 ID3 算法(决策树分类器)使用ID3算法(决策树分类器)使用变量Kp查询每个子集,了解真实类的知识。 它选择产生关于候选像素是否是由Kp的熵测量的角的最多信息的x
上述方法递归地应用于所有子集,直到其熵为零。
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1. 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。
2. 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
总结
FAST算法比其他角点检测法都快;
在噪声很高时不稳定,这是由阈值决定的。
4、OpenCV 中 FAST 特征检测器
很其他特征点检测一样我们可以在 OpenCV 中直接使用 FAST 特征检测器。如果你愿意的话,你还可以设置阈值,是否进行非最大值抑制,要使用的邻域大小()等。邻域设置为下列 3 中之一:
cv2.FAST_FEATURE_DETECTOR_TYPE_5_8,
cv2.FAST_FEAT
cv2.FAST_FEATURE_DETECTOR_TYPE_9_16。
下面是使用 FAST 算法进行特征点检测的简单代码。
import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('image/22.png',0) fast = cv2.FastFeatureDetector() kp = fast.detect(img,None) img2 = cv2.drawKeypoints(img, kp, color=(255,0,0)) print "Threshold:",fast.getInt('threshold') print "nonmaxSoppression:",fast.getBool('nonmaxSuppression') print "neighborhood:",fast.getInt('type') print "Total Keypoints with nonmaxSuppression:",len(kp) cv2.imwrite('fast_true.png', img2) fast.setBool('nonmaxSuppression',0) kp = fast.detect(img,None) print "Total Keypoints without nonmaxSuppression:",len(kp) img3 = cv2.drawKeypoints(img, kp, color=(255,0,0)) cv2.imwrite('fast_false.png', img3)
结果图:
第一幅图是使用了非最大值抑制的结果,第二幅没有使用非最大值抑制
参考:opencv官方教程中文版(For Python)
相关文章推荐
- 图像角点检测的Fast算法(OpenCV文档)
- OPENCV图像特征点检测与FAST检测算法
- Opencv 图像增强算法 图像检测结果
- 前景检测算法_4(opencv自带GMM)
- Opencv 图像增强算法 图像检测结果
- otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用
- OpenCV 角点检测的算法~!
- opencv2.2中利用GPU加速行人检测的算法代码
- 直线检测算法 LSD 的相关介绍及其在 OpenCV 和 MATLAB 中的可视化
- OpenCV: Canny边缘检测算法原理及其VC实现详解
- 移植OpenCV的AdaBoost人脸检测算法到DM6467
- OpenCV中feature2D学习——SIFT和SURF算法实现目标检测
- 基于Opencv的目标检测与跟踪阴影去除算法实现
- 使用opencv2.0的haar算法人脸检测分类器训练xml
- otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用
- 修改opencv中的canny边缘检测算法
- 学习OpenCV——Fast检测与Surf&Brief匹配(娱乐)
- 学习OpenCV——Fast检测与Surf&Brief匹配(娱乐)
- OpenCV学习笔记(29)KAZE 算法原理与源码分析(三)特征检测与描述
- 【opencv】opencv库特征点检测--GFTT,FAST,SURF,SIFT,STAR