FAST-ER角点检测算法详解（改良的FAST算法）

FAST-ER是FAST算法原作者在2010年提出的，它在原来算法里提高特征点检测的重复度，重复意味着第一张图片内的检测的点，也可以在第二张图片上的相应位置被检测出来，重复度可以由如下式子定义：

这里的N_repeated指第一张图片内的检测点有多少能在第二张被检测到，而N_useful定义为有用的特征点数。这里计算的一组图像序列的总的重复度，所以N_repeated和N_useful是图像序列中所以图像对的和。

在衡量检测的特征点是否能在第二张图像上被检测到，这也是一个大问题，通常的方法先将第一张图像内的点进行变形，使其能匹配第二张，然后再将变换的特征点位置同第二张对应位置比较，看是否被再次检测到，这里也允许一定误差，一般会在3*3的窗口去寻找（也就是说大概只允许一个像素的误差）。

然后实际上，由于视点变化等形变较大因素造成的形变，很有可以使角点检测偏移到不同位置，所以这个邻近区域搜索，找到匹配的特征点是很难确定的，如果搜索范围大太，一方面容易把不匹配的点检测到，另一方面计算量也增大。而如果搜索范围太小，则容易把本来匹配点给忽视了，从面减少重复率。

由于一些形变较大因素造成的形变，很难通过简单且固定的模板将所以的角点检测出来，而原来的FAST算法其决策树的结构是固定的三层树，并不能最优的实现区分角点（实现最优的重复率）。FAST-ER就是针对这样的问题而提出的，其主要是通过模拟退火（也有通过最速下降法的）优化原先决策树的结构，从而提高重复率。

一、引入角点检测的不变性

原先一个像素点及其附近的点送往决策树进行比较时，只需要比较两个位置的点，如果这个点被检测出是角点，但在其区域发生一定旋转、变形或强度反转（白变黑，黑变白）之后，再次重新判定，很有可能被认为是非角点。

在这种情况下，为了使角点检测具有旋转、反射、强度倒转等不变性，最简单的办法就是将所以变化后的结果都计算，即不同的变换建立不同树，只要有一个树能检测出角点，即是角点。不过这样的话，计算量太大，为了减少计算复杂率，每次树被评估时，一般只需要应用16种变换：四个旋转方向变化（各相差90度），并结合反射（对左右对称及上下对称）同强度倒转，共16个变换操作。如果一个点能被6种变换中任一种的决策树视为角点，那么这个点就是角点。

由此以来我们建立了16棵对应不同变换的决策树。

二、决策树的结构优化

对于FAST算法来说，原来的三层决策树太过简单，不能达到最好得重复度，而重复度是关于决策树结构的非凸函数，这涉及到非凸函数的优化问题，这里许多方法，而FAST-ER则是通过模拟退火方法来优化决策树的。

（1）退火温度

首先考虑建立树的总成本如下：

这里的r定义为重复率，d_i定义为第i帧检测的角点数，而N定义为总共的帧数，s是决策树的大小（树共有多少个节点），w_s，w_n，w_r指影响因子。注意，为了提高计算效率，重复率以一个固定的阈值t和每帧固定数量的特征点来计算。

因为每次迭代过程，我们都需要对原树进行随机调整（启发式随机寻找最优），这些调整可以通过波尔兹曼接受准则来实施，其在第I次迭代中接受调整概率为P：

这里的是接受标准之后的成本，而T是退火温度：

这里的I_max是最大的迭代次数。

（2）扩大的判定位置

通过随机调整决策树，从而找到最优的重复率，而这个调整涉及到两个方面，一个是树节点选择分类的x位置，另一个是整个树的结构。

每个树的叶子确定分类（如果为1，则是角点，而为0，则不是），而每个节点都有一个对应的判断位置x，FAST是圆环上的其中一点，而在引入退火方法，我们需要给这个位置引入一个相对于中心点的随机偏移，进一步扩大判断位置的选择范围。随机偏移如下定义（共有48个选择位置）：

（3）决策树的调整

通过模拟退火的方式来随机调整树，首先选择树中的一个节点（不能是根结点），然后调整它（调整概率P，上面定义过了，随着迭代次数，其越来越趋于稳定），如果：

A）如果挑选的点是叶节点，那么其有相等的概率做如下：

Ø  用一个深度为1随机子树节点代替，将其下继续分成三个叶结点

Ø  翻转叶子的分类（由角点变为非角点，或相反），如果叶子的类被严格限制就不进行此操作（如s子树的叶节点被限制为非角点，因为已经有两个位置检测为同中心相似，这样的点肯定是非角点，可以保证在阈值t增加时，其角点数将通常会减少）

B）如果节点，那么其也有相等概率做如下操作：

Ø  将偏移位置用新的随机偏移位置[0,47]代替，并更新下面的叶结点，前面B）有说明。

Ø  将节点用随机叶节点代替（也要满足以上限制条件）

Ø  移除节点随机选择的分支，并用该节点下另一随机选择的分支拷贝到其位置，比如，b分支可以由s分支代替。

（4）迭代过程的终止

通过对决策树的这些随机调整，树最后很可能不是原来FAST的简单三层树了。树调整后，再对结果应用FAST-9，进一步确定角点，计算新的重复率，如果重复率比原来的重复率高，那么我们就将当前结果视为我们目前最优树，继续应用上面决策树调整，最终在达到一定程度重复率或迭代次数时，停止迭代过程。这个优化也可以通过不同的多个随机种子来运行。我们包含了这些调整可以让FAST-ER更容易地学习到相似的结构。

三、其作用和总结

因为每个迭代过程中，都需要对重新应用新的决策树进行检测，而且16个变换中每一个都需要对应一个候选树，所以这样的检测算法并不十分有效，因此，从效率上考虑，上述的算法一般用于产生训练数据，之后获得较为精确的角点检测结果，我们就可以通过原来的FAST算法来产生单个树。

 

参考文献：

Faster and Better : A Machine Learning Approach to Corner Detection  （提出FAST-ER的论文）

Machine Learning for High-Speed Corner Detection  （FAST的原文，上面的论文也是这个作者写的）

FAST角点检测方法详解  （本人关于FAST算法的博文）