簡介

? ? ? ? 在局部特征點檢測快速發展的時候，人們對于特征的認識也越來越深入，近幾年來許多學者提出了許許多多的特征檢測算法及其改進算法，在眾多的特征提取算法中，不乏涌現出佼佼者。

? ? ? ? 從最早期的Moravec，到Harris，再到SIFT、SUSAN、GLOH、SURF算法，可以說特征提取算法層出不窮。各種改進算法PCA-SIFT、ICA-SIFT、P-ASURF、R-ASURF、Radon-SIFT等也是搞得如火如荼，不亦樂乎。上面的算法如SIFT、SURF提取到的特征也是非常優秀（有較強的不變性），但是時間消耗依然很大，而在一個系統中，特征提取僅僅是一部分，還要進行諸如配準、提純、融合等后續算法。這使得實時性不好，降系了統性能。

? ? ? ? Edward Rosten和Tom Drummond兩位大神經過研究，于2006年在《Machine learning for high-speed corner detection》中提出了一種FAST特征點，并在2010年稍作修改后發表了《Features From Accelerated Segment Test》，簡稱FAST。注意：FAST只是一種特征點檢測算法，并不涉及特征點的特征描述。

FAST詳解

FAST特征的定義

? ? ? FAST的提出者Rosten等將FAST角點定義為：若某像素與其周圍鄰域內足夠多的像素點相差較大，則該像素可能是角點。

FAST算法的步驟

1、上圖所示，一個以像素p為中心，半徑為3的圓上，有16個像素點（p1、p2、...、p16）。

2、定義一個閾值。計算p1、p9、p5、p13與中心p的像素差，若它們的絕對值有至少3個超過閾值，則當做候選角點，再進行下一步考察；否則，不可能是角點；

3、若p是候選點，則計算p1到p16這16個點與中心p的像素差，若它們有至少連續9個超過閾值，則是角點；否則，不可能是角點。

4、對圖像進行非極大值抑制：計算特征點出的FAST得分值（即score值，也即s值），判斷以特征點p為中心的一個鄰域（如3x3或5x5）內，計算若有多個特征點，則判斷每個特征點的s值（16個點與中心差值的絕對值總和），若p是鄰域所有特征點中響應值最大的，則保留；否則，抑制。若鄰域內只有一個特征點（角點），則保留。得分計算公式如下（公式中用V表示得分，t表示閾值）：

? ? ? ?上面是FAST-9，當然FAST-10、FAST-11、FAST-12也是一樣的，只是步驟3中，超過閾值的個數不一樣。FAST算法實現起來簡單，尤其是以速度快著稱。

? ? ? ?以上便是FAST特征檢測的過程，清晰明了，而對于角點的定義也是做到了返璞歸真，大師就是大師，還原本質的能力很強，估計以前這種簡單想法被很多人忽略了。

實驗

opencv代碼

#include <opencv2/core/core.hpp> #include <opencv2/features2d/features2d.hpp> #include <opencv2/highgui/highgui.hpp> #include <cv.h> #include <vector>using namespace cv; using namespace std;int main() {Mat frame=imread("lena.jpg", 1);double t = getTickCount();//當前滴答數std::vector<KeyPoint> keyPoints;FastFeatureDetector fast(50); // 檢測的閾值為50fast.detect(frame, keyPoints);drawKeypoints(frame, keyPoints, frame, Scalar(0,0,255), DrawMatchesFlags::DRAW_OVER_OUTIMG);t = ((double)getTickCount() - t)/getTickFrequency();cout<<"算法用時："<<t<<"秒"<<endl;imshow("FAST特征點", frame);cvWaitKey(0);return 0; } 輸出結果：

MATLAB代碼

再上一個自己編寫的MATLAB代碼，沒有進行非極大值抑制，效果不及opencv，而且檢測出的角點有一定的出入，應該是opencv內部做了一定的優化。

clear all; close all; %% pic=imread('lena.jpg'); img=pic; [M N D]=size(pic); if D==3pic=rgb2gray(pic); end %% mask=[0 0 1 1 1 0 0;...0 1 0 0 0 1 0;...1 0 0 0 0 0 1;...1 0 0 0 0 0 1;...1 0 0 0 0 0 1;...0 1 0 0 0 1 0;...0 0 1 1 1 0 0]; mask=uint8(mask); threshold=50; figure;imshow(img);title('FAST角點檢測');hold on; tic; for i=4:M-3for j=4:N-3%若I1、I9與中心I0的差均小于閾值，則不是候選點delta1=abs(pic(i-3,j)-pic(i,j))>threshold;delta9=abs(pic(i+3,j)-pic(i,j))>threshold;delta5=abs(pic(i,j+3)-pic(i,j))>threshold;delta13=abs(pic(i,j-3)-pic(i,j))>threshold;if sum([delta1 delta9 delta5 delta13])>=3block=pic(i-3:i+3,j-3:j+3);block=block.*mask;%提取圓周16個點pos=find(block);block1=abs(block(pos)-pic(i,j))/threshold;block2=floor(block1);res=find(block2);if size(res,1)>=12plot(j,i,'ro');endendend end toc; %% 輸出結果：

參考文獻

1、Machine learning for high-speed corner detection[J],2006.

2、Features From Accelerated Segment Test[J],2010.

3、基于自適應閾值的FAST特征點提取算法[J],2013

總結

以上是生活随笔為你收集整理的【特征检测】FAST特征点检测算法的全部內容，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。