FAST特征點檢測算法

一 原始方法

簡介

        在局部特征點檢測快速發展的時候，人們對於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，還要進行諸如配准、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，於2006年在《Machine learning for high-speed corner detection》中提出了一種FAST特征點，並在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，並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與中心p的像素差，若它們絕對值都小於閾值，則p點不可能是特征點，直接pass掉；否則，當做候選點，有待進一步考察；

3、若p是候選點，則計算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，則當做候選點，再進行下一步考察；否則，直接pass掉；

4、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9個超過閾值，則是特征點；否則，直接pass掉。

5、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4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，而對於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。

 

 

 

# -*-coding:utf-8-*-


import cv2
import datetime

img1 = cv2.imread('/home/260158/code/pictures-data/CMU0/medium00.JPG')

starttime = datetime.datetime.now()

fast = cv2.FastFeatureDetector_create(90)
kp = fast.detect(img1,None)
img2 = cv2.drawKeypoints(img1,kp,(0,0,255))

endtime = datetime.datetime.now()
a = endtime- starttime


#cv2.namedWindow('fast', cv2.WINDOW_NORMAL)

cv2.imshow('fast',img2)
cv2.waitKey(0)
print a

結果