基于KITTI数据集的无人驾驶感知与传感器融合实现—（7）— Shi-Tomasi 角点检测&FAST角点检测

学习前言

  之前是对道路图片进行了 Harris角点检测算法.，不过角点检测常用的还有FAST角点检测算法.和Shi-Tomasi 算法.。这一篇博客就是进行==FAST角点检测 & Shi-Tomasi 角点检测对车道线的检测。==也是比较简单的。
  老样子，我还是把原作者的项目连接放上面啦~ 连接.

一、 Shi-Tomasi 角点检测 & FAST角点检测

  这边就简单介绍一下这两种算法，给有基础的当是个回顾和复习，对于没学过的同学可以点进去看看，FAST角点检测算法.，Shi-Tomasi 算法
  自己觉得应该是把算法讲明白了，算法也不难，加油加油~

 1、Shi-Tomasi 角点检测

  Shi-Tomasi 角点检测算法其实是建立在Harris角点检测算法的基础上的，可以说是Harris角点检测算法的升级版。
  Shi-Tomasi 角点检测算法其实就是修改了Harris角点检测算法对于角点判断原理，这里直接上图：




  对于Harris角点检测算法，它的角点响应值$R$是如上图一样计算的，但是Shi-Tomasi 角点检测算法的角点响应值$R$是这样的：
$$R=min({\lambda }_1，{\lambda }_2)$$
  和 Harris 一样，如果该分数大于设定的阈值，我们就认为它是一个角点。

  2、FAST角点检测

  FAST角点检测也简单，上图：

  FAST角点检测的方法主要是考虑像素点附近的圆形窗口上的16个像素，如下图所示，$p$为中心像素点，而白框标示的点像素则是我们需要考虑的点。

  最初的检测方法就是检测在这样的圆环上的16个像素点中，如果有$n$个连续的点都比中心像素$p$的强度都大，或都小的话，这样的中心点就是角点，实际上比较强度时，需要加上阈值$t$。

  一般情况下，n是取12，所以这个标准定义为FAST-12，而实际上当n=9时，往往能取得较好的效果。

 3、为什么要考虑Shi-Tomasi 角点检测&FAST角点检测

  基于我们要实现的目的：无人驾驶感知与传感器融合实现，我们处理的图像一定是视频流，而上一章我们使用的Harris角点检测算法在对视频的处理中，如果图像旋转和光强变化依然可以保留较高的检测率，但对目标大小（scale）和仿射变换（affine transformation）比较敏感，检测率较低。这样我们就改用Shi-Tomasi 角点检测算法，得到更好的效果。

  同时也可以使用更快的Corner Detector算法FAST角点检测,牺牲一定的精度，但速度更快：

二、主要API介绍

  1、corners = cv2.goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance[, corners[, mask[, blockSize[, useHarrisDetector[, k]]]]])

    API功能：该功能可以找到图像中或指定图像区域中最突出的角

    参数：
      src： 输入8位或浮点32位单通道图像。
      maxCorners：返回的最大角数。如果角落多于找到的角落，则返回最强的角落。maxCorners <= 0表示没有设置最大值限制，并且返回了所有检测到的角。
      qualityLevel：质量水平系数（小于1.0的正数，一般在0.01-0.1之间）,该参数表征图像角的最低可接受质量。参数值乘以最佳角质量度量，即最小特征值。指标小于产品指标的边角将被拒收。例如，如果最佳角的质量度量为1500，而qualityLevel = 0.01，则拒绝质量度量小于15的所有角。（推荐值：0.01）
      minDistance：返回的角之间的最小可能欧几里得距离。（推荐值：10）
      mask：可选的感兴趣区域。如果图像不为空（它的类型必须为CV_8UC1且大小与image相同），则它指定检测到拐角的区域。
      blockSize：$w$窗口尺寸，用于计算每个像素邻域上的导数协方差矩阵的平均块的大小。
      useHarrisDetector： 是否使用Harris检测器（False表示使用）。
      k：Harris角点检测的$\alpha$ 值。
    返回：
      corners：检测到的角的输出向量。

  如果使用参数qualityLevel的不同值A和B以及A> B调用函数，则返回带有qualityLevel = A的角的向量将是带有qualityLevel = B的输出向量的前缀。

  2、retval = cv2.FastFeatureDetector_create([, threshold[, nonmaxSuppression])

    API功能：初始化FAST对象,创建一个FAST角点检测器。 cv2.FastFeatureDetector类。

    参数：
      threshold：阈值$t$(就是上面提到的那个阈值$t$)；默认值为10.
      nonmaxSuppression：是否开启非极大值抑制。默认为Ture。
    返回：
      retval ：一个FAST角点检测器

  3、keypoints = cv2.FastFeatureDetector.detect(image)

    API功能：查找角点

    参数：
      image： 需要进行角点检测的图像。
    返回：
      keypoints ：输出角点。列表的形式。

  4、outImage = cv2.drawKeypoints( image, keypoints, outImage[, color[, flags]])

    API功能：绘制关键点。

    参数：
      image： 源图像。
      keypoints：（列表）源图像中的关键点。
      color：关键点的颜色。RGB格式，如：(255, 0, 0)
    返回：
      outImage：输出图像。它的内容取决于标志值，该标志值定义了在输出图像中绘制的内容。

三、代码&效果图

import numpy as np
import cv2
import matplotlib.pyplot as plt
import matplotlib.image as mpimg

# 读入图片+高斯滤波+灰度
image = cv2.imread('test_image/0000000086.png')
image2 = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
Blur = cv2.GaussianBlur(image2, ksize=(9, 9), sigmaX=1.0)
gray = cv2.cvtColor(Blur, cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)

# 使用Shi-Tomasi
keypoint_ST = cv2.goodFeaturesToTrack(gray, maxCorners=100, qualityLevel=0.01, minDistance=10, useHarrisDetector=False,
                                      k=0.04, blockSize=10)
keypoint_ST = np.int0(keypoint_ST)
# 逐个标出角点
img1 = np.copy(Blur)
for i in keypoint_ST:
    x, y = i.ravel()
    cv2.circle(img1, center=(x, y), radius=5, color=255, thickness=-1)

# 使用FAST
fast = cv2.FastFeatureDetector_create(nonmaxSuppression=True)
keypoint_FAST = fast.detect(Blur, None)
# 标出角点
img2 = np.copy(Blur)
cv2.drawKeypoints(img2, keypoint_FAST, img2, color=(255, 0, 0))

# 可视化
f, (ax1, ax2,) = plt.subplots(1, 2, figsize=(18, 9))
f.tight_layout()
ax1.imshow(img1)
ax1.set_title('Shi-Tomasi Method', fontsize=25)
ax2.imshow(img2)
ax2.set_title('FAST Method', fontsize=25)
plt.subplots_adjust(left=0., right=1, top=0.9, bottom=0.)
plt.show()