【特征检测】FAST特征点检测算法

简介

        在局部特征点检测快速发展的时候，人们对于特征的认识也越来越深入，近几年来许多学者提出了许许多多的特征检测算法及其改进算法，在众多的特征提取算法中，不乏涌现出佼佼者。

        从最早期的Moravec，到Harris，再到SIFT、SUSAN、GLOH、SURF算法，可以说特征提取算法层出不穷。各种改进算法PCA-SIFT、ICA-SIFT、P-ASURF、R-ASURF、Radon-SIFT等也是搞得如火如荼，不亦乐乎。上面的算法如SIFT、SURF提取到的特征也是非常优秀（有较强的不变性），但是时间消耗依然很大，而在一个系统中，特征提取仅仅是一部分，还要进行诸如配准、提纯、融合等后续算法。这使得实时性不好，降系了统性能。

        Edward Rosten和Tom Drummond两位大神经过研究，于2006年在《Machine learning for high-speed corner detection》中提出了一种FAST特征点，并在2010年稍作修改后发表了《Features From Accelerated Segment Test》，简称FAST。注意：FAST只是一种特征点检测算法，并不涉及特征点的特征描述。

FAST详解

FAST特征的定义

      FAST的提出者Rosten等将FAST角点定义为：若某像素与其周围邻域内足够多的像素点相差较大，则该像素可能是角点。

FAST算法的步骤

1、上图所示，一个以像素p为中心，半径为3的圆上，有16个像素点（p1、p2、...、p16）。

2、定义一个阈值。计算p1、p9、p5、p13与中心p的像素差，若它们的绝对值有至少3个超过阈值，则当做候选角点，再进行下一步考察；否则，不可能是角点；

3、若p是候选点，则计算p1到p16这16个点与中心p的像素差，若它们有至少连续9个超过阈值，则是角点；否则，不可能是角点。

4、对图像进行非极大值抑制：计算特征点出的FAST得分值（即score值，也即s值），判断以特征点p为中心的一个邻域（如3x3或5x5）内，计算若有多个特征点，则判断每个特征点的s值（16个点与中心差值的绝对值总和），若p是邻域所有特征点中响应值最大的，则保留；否则，抑制。若邻域内只有一个特征点（角点），则保留。得分计算公式如下（公式中用V表示得分，t表示阈值）：

       上面是FAST-9，当然FAST-10、FAST-11、FAST-12也是一样的，只是步骤3中，超过阈值的个数不一样。FAST算法实现起来简单，尤其是以速度快著称。

       以上便是FAST特征检测的过程，清晰明了，而对于角点的定义也是做到了返璞归真，大师就是大师，还原本质的能力很强，估计以前这种简单想法被很多人忽略了。

实验

opencv代码

#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();//当前滴答数
	std::vector<KeyPoint> keyPoints;
	FastFeatureDetector fast(50);	// 检测的阈值为50

	fast.detect(frame, keyPoints);
	drawKeypoints(frame, keyPoints, frame, Scalar(0,0,255), DrawMatchesFlags::DRAW_OVER_OUTIMG);
	
	t = ((double)getTickCount() - t)/getTickFrequency();
	cout<<"算法用时："<<t<<"秒"<<endl;

	imshow("FAST特征点", frame);
	cvWaitKey(0);

	return 0;
}

输出结果：

MATLAB代码

再上一个自己编写的MATLAB代码，没有进行非极大值抑制，效果不及opencv，而且检测出的角点有一定的出入，应该是opencv内部做了一定的优化。

clear all;
close all;
%%
pic=imread('lena.jpg');
img=pic;
[M N D]=size(pic);
if D==3
    pic=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角点检测');hold on;
tic;
for i=4:M-3
    for j=4:N-3%若I1、I9与中心I0的差均小于阈值，则不是候选点
        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])>=3
            block=pic(i-3:i+3,j-3:j+3);
            block=block.*mask;%提取圆周16个点
            pos=find(block);
            block1=abs(block(pos)-pic(i,j))/threshold;
            block2=floor(block1);
            res=find(block2);
            if size(res,1)>=12
                plot(j,i,'ro');
            end
        end
    end
end
toc;
%%

输出结果：

参考文献

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

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

3、基于自适应阈值的FAST特征点提取算法[J],2013