特征点检测 前言
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。
FAST特征点检测是公认的比较快速的特征点检测方法,只利用周围像素比较的信息就可以得到特征点,简单,有效。
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特征点检测定义
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。
检测候选特征点周围一圈的像素值,如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大,则认为该候选点为一个特征点。
其中 I(x) 为圆周上任意一点的灰度, I(p) 为圆心的灰度, εd 为灰度值差得阈值,如果N大于给定阈值,一般为周围圆圈点的四分之三,则认为p是一个特征点。
FAST算法的步骤
- 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)。
- 定义一个阈值。计算p1、p9与中心p的像素差,若它们绝对值都小于阈值,则p点不可能是特征点,直接pass掉;否则,当做候选点,有待进一步考察;
- 若p是候选点,则计算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,则当做候选点,再进行下一步考察;否则,直接pass掉;
- 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9个超过阈值,则是特征点;否则,直接pass掉。
- 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):
V=max⎧⎩⎨∑(pixelvalues−p)if(value−p)>t∑(p−pixelvalues)if(value−p)<t
候选点周围的圆的选取半径是一个很重要的参数,这里我为了简单高效,采用半径为3,共有16个周边像素需要比较。为了提高比较的效率,通常只使用N个周边像素来比较,也就是大家经常说的FAST-N。很多文献推荐FAST-9,作者的主页上有FAST-9、FAST-10、FAST-11、FAST-12,大家使用比较多的是FAST-9和FAST-12(这其中的区别就是步骤4中,比较的特征点的个数)
OPENCV代码实现
#include "opencv2/opencv.hpp"
#include <vector>
using namespace cv;
void main()
{
//读入图像并转换为灰度图像
cv::Mat im0,grayImg;
im0 = cv::imread("d://dlrb.png");
cvtColor(im0, grayImg, CV_RGB2GRAY);
//检测FAST特征点
std::vector<cv::KeyPoint> keyPoints;
cv::FAST(grayImg, keyPoints, 40);
drawKeypoints(im0, keyPoints, im0, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
imshow("sss", im0);
cv::waitKey(0);
}