文章目录

• 1 理论
• 1.1 使用Fast进行特征检测
• 1.2 让机器学习一个角检测器
• 1.3 非最大抑制

1 理论

1.1 使用Fast进行特征检测

  步骤如下：
  1）选择图像中是否要识别为兴趣点的像素 p p p，使其强度为 l p l_p lp​；
  2）选择适当的阈值 t t t
  3）考虑被测像素周围有 16 16 16个像素的圆圈，如下图：

  4）如果圆中存在一组 n n n个连续的像素，它们均比 l p + t l_p + t lp​+t亮，或者比 l p − t l_p - t lp​−t暗，则像素 p p p是一个角。 n n n被选取为 12 12 12。
  5）使用高速测试以排除大量的非角区域：此测试只检测1、9、5和13处的像素，如果第一个1和9太亮或太暗，则继续检测5和13。如果 p p p是一个角，则其中至少三个全部比 l p + t l_p + t lp​+t亮或者比 l p − t l_p - t lp​−t暗；反之不满足。然后，对满足条件的像素继续检测，即条件4，但是缺点有以下：
    5.1）不会拒绝 n < 12 n<12 n<12的候选对象；
    5.2）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；
    5.3）高速测试的结果被丢弃了；
    5.4）彼此相邻的检测到多个特征。
  目前机器学习的方法解决了前三个问题，最后一个问题则使用非最大抑制来解决。

1.2 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个像素存储为适量；对所有图像执行此操作，以获得特征向量 P P P；
  4）这16个像素中的每个像素 x x x可以是以下三种状态之一：
S p → x = { d , I p → x ≤ I p − t      ( darker ) ; s , I p − t < I p → x < I p + t      ( similar ) ; b , I p + t ≤ I p → x      ( brighter ) . S_{p \rightarrow x} = \left\{ \begin{aligned} &d, I_{p \rightarrow x} \leq I_{p} - t &\ \ \ \ (\text{darker});\\ &s, I_p-t<I_{{p \rightarrow x}}<I_p+t &\ \ \ \ (\text{similar});\\ &b, I_p+t\leq I_{{p \rightarrow x}} &\ \ \ \ (\text{brighter}). \end{aligned} \right. Sp→x​=⎩⎪⎨⎪⎧​​d,Ip→x​≤Ip​−ts,Ip​−t<Ip→x​<Ip​+tb,Ip​+t≤Ip→x​​    (darker);    (similar);    (brighter).​  4.1）取决于这些这些状态， P P P可以分为 3 3 3个子集， P d P_d Pd​、 P s P_s Ps​和 P b P_b Pb​。
  4.2）定义一个新的布尔变量 K p K_p Kp​，如果 p p p是一个角，则为True；反正为False。
  4.3）使用ID3算法，使用变量 K p K_p Kp​查询每个子集，以获取有关真实类的知识；
  4.4）递归地将其应用于所有子集，直至熵为零；
  4.5）创建的决策树将用于其他图像的快速检测。

1.3 非最大抑制

  在相邻位置检测多个兴趣点：
  1）计算所有检测到的特征点的得分函数 V V V，其中 V V V是 p p p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 V V V值；
  3）丢弃较低 V V V值的兴趣点。

2 测试图像

3 实现

import numpy as np
import cv2 as cv

def test(img_path):
img = cv.imread(img_path)
img_gray = cv.imread(img_path, 0)
fast = cv.FastFeatureDetector_create()
kp = fast.detect(img_gray, None)
img1 = cv.drawKeypoints(img, kp, None, color=(255, 0, 0))
print("Threshold: {}".format(fast.getThreshold()))
print("nonmaxSuppression:{}".format(fast.getNonmaxSuppression()))
print("neighborhood: {}".format(fast.getType()))
print("Total Keypoints with nonmaxSuppression: {}".format(len(kp)))
# 关闭非极大抑制
fast.setNonmaxSuppression(0)
kp = fast.detect(img_gray, None)
print("Total Keypoints without nonmaxSuppression: {}".format(len(kp)))
img2 = cv.drawKeypoints(img, kp, None, color=(255, 0, 0))
img = np.hstack([img, img1, img2])
img = cv.resize(img, None, fx=0.5, fy=0.5)
cv.imshow("", img)
cv.waitKey()

if __name__ == '__main__':
test_img_path = "miao.png"
test(test_img_path)

  输出如下：

参考文献：
【1】Opencv中文文档