?????? 官方鏈接：http://docs.opencv.org/trunk/doc/py_tutorials/py_feature2d/py_fast/py_fast.html#fast-algorithm-for-corner-detection

?????? 原文鏈接：http://blog.csdn.net/candycat1992/article/details/22285979

???????本文做了少量修改，并添加了C++代碼，若有疑問或者版權問題，請拜讀作者或者通知本人。

目標

• 理解FAST算法的基本原理
• 使用OpenCV的FAST函數進行角點（corners）檢測

原理

我們已知很多種特征檢測的方法，而且它們其中很多效果都非常不錯。但是，當從一個實時運行的程序角度出發，它們還不夠快。一個最好的例子就是SLAM（Simultaneous Localization and Mapping）移動機器人，它的可計算資源是受限的。
作為上述問題的一個解決方法，FAST（Features from Accelerated Segment Test）算法由Edward Rosten 和 Tom Drummond在他們2006年的論文“Machine learning for high-speed corner detection”（在2010年再次被修訂）中被提出。下面是該算法的一個基本總結。你可以參見原論文去學習更多的細節（下面所有的圖片是從原論文中提取的）。

使用FAST進行特征檢測

從圖片中選取一個像素點Pi，下面我們將判斷它是否是一個特征點。我們首先把它的密度（即像素值）設為I_p。

設定一個合適的闕值T。

考慮該像素點周圍的16個像素。（見下圖）

現在，如果在這個大小為16個像素的圓上有n 個連續的像素點，它們的像素值要么都比I_p+T大，要么都比I_p-T小，那么它就是一個角點。（如上圖中白色虛線所示）。n 這里被設定為12。

我們現在應該提出一個高效的測試，來快速排除一大部分是非角點的點。該測試僅僅檢查在位置1、9、5和13四個位置的像素（首先檢查1和9，看它們是否亮于或暗于闕值。如果是，再檢查5和13）。如果Pi是一個角點，那么上述四個像素點中至少有3個應該必須都大于I_p +T 或者小于I_p- T（因為若是一個角點，超過四分之三個圓的部分應該滿足判斷條件，半圓比包含上述某三個點）。如果都不滿足，那么Pi 不可能是一個角點。完整的分段測試可以被用于接受的所有候選點，通過檢測圓上的所有點。這種檢測有很好的性能，但是有一些缺點：
1.?當n < 12時不能拒絕許多候選點。
2. 檢測出來的角點不是最優的，這是因為它的效率是依靠角點外形的排列和分布的。
3.?
4. 相鄰的多個特征點會被檢測到。

前三個問題可以使用機器學習的方法解決。最后一個可以使用non-maximal suppression。

機器學習

選擇一個圖片集合進行學習（最好是來自于目標應用定義域）。

在每一張圖上運行FAST算法，找到特征點。

對于每個特征點，存儲它周圍的16個像素點到一個vector中。為所有的圖片做同樣的事，得到它們所有特征點的vector?P。

這16個像素中的每一個像素（假設為x），可以有下面三種狀態中的一種：

依靠這些狀態，特征向量P被劃分為3個子集，P_d,P_s,P_b。

定義一個新的布爾變量，K_p。如果P是一個角點，那些K_p為真；否則為假。

使用ID3算法（決策樹分類器）來查詢每一個子集。

遞歸計算所有的子集直到它的嫡為0。

被創建的決策樹就被用于其他圖片的fast檢測。

non-maximal suppression

從鄰近的位置選取了多個特征點是另一個問題。我們可以使用non-maximal suppression來解決。

為每一個檢測到的特征點計算它的分數函數（score function），V。V是 P 和它周圍16個像素點的絕對偏差的和。

考慮兩個相鄰的特征點，并比較它們的v值。

v 值較低的點將會被剔除。

總結

FAST算法比其他已知的角點檢測法要快很多倍。 但是當圖片的噪點較多時，它的健壯性并不好。這依靠一個闕值。

OpenCV中的FAST特征檢測

和OpenCV中其他特征檢測器的調用相同。如果你想，你可以指定一個闕值，或者決定是否使用non-maximal suppression來判斷鄰近特征點。
對于相鄰特征點，OpenCV定義了三個flags：

• cv2.FAST_FEATURE_DETECTOR_TYPE_5_8
  
• cv2.FAST_FEATURE_DETECTOR_TYPE_7_12
  
• cv2.FAST_FEATURE_DETECTOR_TYPE_9_16
  

下面是一個簡單的示例代碼（Python）。 import numpy as np import cv2 from matplotlib import pyplot as plt img = cv2.imread('simple.jpg',0) # Initiate FAST object with default values fast = cv2.FastFeatureDetector() # find and draw the keypoints kp = fast.detect(img,None) img2 = cv2.drawKeypoints(img, kp, color=(255,0,0)) # Print all default params print "Threshold: ", fast.getInt('threshold') print "nonmaxSuppression: ", fast.getBool('nonmaxSuppression') print "neighborhood: ", fast.getInt('type') print "Total Keypoints with nonmaxSuppression: ", len(kp) cv2.imwrite('fast_true.png',img2) # Disable nonmaxSuppression 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)
C++代碼段：

int CEkfSlam::fast_corner_detect_9(cv::Mat &im, double threshold, std::vector<CvPoint> &coords) {//提取快速角點//一次只提取一個角點？//且有時可能會不發現角點，可能一次有多個角點cv::Mat image(im.rows, im.cols, 1);if (3== im.channels() ){cv::cvtColor (im,image,CV_BGR2GRAY); }else{image =im.clone();}//快速角點檢測 std::vector<cv::KeyPoint> keypoints; cv::FAST(image,keypoints,threshold,true); //默認開啟極大值抑制！coords.resize(keypoints.size() );//cv::imshow("kp",image);cv::waitKey(0);for (int i=0;i< keypoints.size();++i){coords[i].x =keypoints[i].pt.x;coords[i].y =keypoints[i].pt.y;}return 1; }
值得注意的是，下面的寫法會出現內存問題：
cv::FastFeatureDetector fast(threshold, true); fast.detect(image, allKeypoints[0]);</del>
下面是測試結果。左邊是使用了nonmaxSuppression的FAST，右邊則沒有使用。
?

總結

以上是生活随笔為你收集整理的SLAM: 图像角点检测的Fast算法（OpenCV文档）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。