• 【OpenCV 例程 300篇】243. 特征检测之 FAST 算法

    『youcans 的 OpenCV 例程300篇 - 总目录』


    【youcans 的 OpenCV 例程 300篇】243. 特征检测之 FAST 算法


    6.6.1 FAST 算法简介

    FAST（Features From Accelerated Segment Test） 是一种特征点检测算法，用于特征提取但不涉及特征描述。

    SIFT、SURF 的计算量很大，难以满足实时性的要求。Edward Rosten 在 2006 年提出了 FAST特征检测算法。FAST 算法通过与圆周像素的比较结果判别特征点，计算速度快、可重复性高，非常适合实时视频的处理。

    FAST 算法将角点定义为：如果像素点与其周围邻域内多个像素相差较大，则该像素点可能是角点。

    因此，在以像素点为中心的圆周上均匀地取 16 个像素点，如果其中连续 N 个像素点与中心点的像素值之差都大于设置的阈值，则中心像素被判定为角点。具体有两种情况，一是连续 N 个像素点都比中心点更亮，二是连续 N 个像素点都比中心点更暗，且亮度差都大于设置的阈值 t。

    为了提高检测效率，可以通过初步筛选剔除大量的非角点：如果取 N=12，则圆周与横轴纵轴的 4 个交点中必有 3个满足上述亮度差的条件。计算 p1、p9、p5、p13 与中心点 p 的像素差，若其中至少 3 个像素差满足阈值条件，则作为候选点，否则剔除。

    在 OpenCV 中，采用分别检测横轴、纵轴的两个交点进行初步筛选：（1）计算 p1、p9 与中心点 p 的像素差，若不满足阈值条件则剔除；（2）计算 p5、p13 与中心点 p 的像素差，若不满足阈值条件则剔除。

    在这里插入图片描述

    FAST 算法的实现步骤为：

    （1）设置比较阈值 t，用于比较像素值的差异是否足够大。

    （2）构建移动窗口，从以像素 p 为中心、半径为 3 的圆周上，选择 16个像素点，编号为 p1～p16。

    （3）计算像素 pk 与中心点 p 的像素差并进行比较： ( I p k − I p > t )   o r   ( I p − I p k > t ) (I_{pk}-I_p>t) \ or \ (I_p-I_{pk}>t) (Ipk​−Ip​>t) or (Ip​−Ipk​>t)

    3.1 计算 p1、p9、p5、p13 与 p 的像素差，若其中至少 3 个像素差大于阈值 t（或小于 -t），则 P 为候选点，否则 p 不是特征点；

    3.2 若 p 是候选点，计算 p1~p16 与中心点 p 的像素差，若至少有连续 9 个（或 12个）点的像素差都大于阈值 t（或小于 -t），则 P 是特征点。

    （4）非极大值抑制：邻域中如果存在多个特征点，只保留响应值最大的特征点。

    FAST 算法的优点和不足：

    （1）FAST 算法简单快速， 比其它算法快很多；

    （2）FAST 算法对噪声的影响非常敏感，阈值 t 的大小对结果的影响很大；

    （3）FAST 基本算法不产生多尺度特征，也没有方向信息，因此不具有尺度不变性、旋转不变性。


    6.6.2 OpenCV 中的 FastFeatureDetector 类

    OpenCV 提供了丰富的特征检测算法，而且继承了 cv::Feature2D 类，采用了统一的定义和封装。

    OpenCV 中提供 cv::FastFeatureDetector 类实现 FastFeatureDetector 方法，继承了 cv::Feature2D 类，通过 create 静态方法创建。

    FastFeatureDetector 类的构造函数为：

    static Ptr< FastFeatureDetector >
cv::FastFeatureDetector::create (int threshold=10, bool nonmaxSuppression=true, FastFeatureDetector::DetectorType type=FastFeatureDetector::TYPE_9_16)

    • 1
    • 2

    在 Python 语言中，OpenCV 提供了 FastFeatureDetector 类的接口函数 cv.FastFeatureDetector.create()， 实例化 FastFeatureDetector 类。

    cv.FastFeatureDetector.create([, threshold=10, nonmaxSuppression=true, type=FastFeatureDetector::TYPE_9_16]) → retval
cv.FastFeatureDetector_create([, threshold=10, nonmaxSuppression=true, type=FastFeatureDetector::TYPE_9_16]) → retval
FastFeatureDetector.detect(image, [, mask]) → keypoints 

    • 1
    • 2
    • 3

    参数说明：

    • image：输入图像，单通道
    • keypoints ：检测到的关键点，是一个特殊的数据结构，包括以下属性：
      • Point2f pt：坐标
      • float size：关键点的邻域直径
      • float angle：关键点的方向，取值为 [0，360）
      • float response：关键点的响应强度
      • int octave：关键点所在的图像金字塔的组
      • int class_id：关键点的 id 编号
    • threshold：差分阈值 t，可选项，默认值为 10
    • nonmaxSuppression：是否进行非最大值抑制，可选项，默认为 true
    • type：检测方案类型，默认值 TYPE_9_16
      • FastFeatureDetector::TYPE_9_16，表示圆周上16个像素点/连续9个像素点满足条件
      • FastFeatureDetector::TYPE_7_12，表示圆周上12个像素点/连续7个像素点满足条件
      • FastFeatureDetector::TYPE_5_8，表示圆周上8个像素点/连续5个像素点满足条件
    • mask：掩模图像，8 位单通道，指定查找关键点的区域，可选项

    注意事项：

    • 函数 cv.FastFeatureDetector.create() 实例化 FastFeatureDetector 类，构造一个 FastFeatureDetector 对象。
    • 差分阈值 threshold 的取值非常重要，严重影响检测结果。

    例程 14.25：特征检测之 FAST 算法

        # 14.25 特征检测之 FAST 算子
    # # 读取基准图像
    img = cv.imread("../images/Circuit04.png", flags=1)  # 基准图像
    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)  # (425, 558)
    height, width = gray.shape[:2]
    print("shape of image: ", height, width)

    fast = cv.FastFeatureDetector_create()  # 初始化 FAST 对象
    # 默认值：threshold=10, nonmaxSuppression=true, type=FastFeatureDetector::TYPE_9_16
    kpNMS1 = fast.detect(img, None)  # 检测关键点
    imgFASTnms1 = cv.drawKeypoints(img, kpNMS1, None, color=(255, 0, 0))
    # 关闭非极大抑制
    fast.setNonmaxSuppression(0)  # nonmaxSuppression=false
    kp1 = fast.detect(img, None)
    imgFAST1 = cv.drawKeypoints(img, kp1, None, color=(255, 0, 0))
    print("\nthreshold: {}".format(fast.getThreshold()))
    print("num of Keypoints without NMS: {}".format(len(kp1)))
    print("num of Keypoints with NMS: {}".format(len(kpNMS1)))

    fastT2 = cv.FastFeatureDetector_create(threshold=20)  # 设置差分阈值为 20
    kpNMS2 = fastT2.detect(img, None)  # 检测关键点
    imgFASTnms2 = cv.drawKeypoints(img, kpNMS2, None, color=(255, 0, 0))
    # 关闭非极大抑制
    fastT2.setNonmaxSuppression(0)  # nonmaxSuppression=false
    kp2 = fastT2.detect(img, None)
    imgFAST2 = cv.drawKeypoints(img, kp2, None, color=(255, 0, 0))
    print("\nthreshold: {}".format(fastT2.getThreshold()))
    print("num of Keypoints without NMS: {}".format(len(kp2)))
    print("num of Keypoints with NMS: {}".format(len(kpNMS2)))

    fastT3 = cv.FastFeatureDetector_create(threshold=40)  # 设置差分阈值为 40
    kpNMS3 = fastT3.detect(img, None)  # 检测关键点
    imgFASTnms3 = cv.drawKeypoints(img, kpNMS3, None, color=(255, 0, 0))
    # 关闭非极大抑制
    fastT3.setNonmaxSuppression(0)  # nonmaxSuppression=false
    kp3 = fastT3.detect(img, None)
    imgFAST3 = cv.drawKeypoints(img, kp3, None, color=(255, 0, 0))
    print("\nthreshold: {}".format(fastT3.getThreshold()))
    print("num of Keypoints without NMS: {}".format(len(kp3)))
    print("num of Keypoints with NMS: {}".format(len(kpNMS3)))

    plt.figure(figsize=(9, 6))
    plt.subplot(231), plt.title("FAST without NMS (t=10)")
    plt.axis('off'), plt.imshow(cv.cvtColor(imgFAST1, cv.COLOR_BGR2RGB))
    plt.subplot(232), plt.title("FAST without NMS (t=20)")
    plt.axis('off'), plt.imshow(cv.cvtColor(imgFAST2, cv.COLOR_BGR2RGB))
    plt.subplot(233), plt.title("FAST without NMS (t=40)")
    plt.axis('off'), plt.imshow(cv.cvtColor(imgFAST3, cv.COLOR_BGR2RGB))
    plt.subplot(234), plt.title("FAST with NMS (t=10)")
    plt.axis('off'), plt.imshow(cv.cvtColor(imgFASTnms1, cv.COLOR_BGR2RGB))
    plt.subplot(235), plt.title("FAST with NMS (t=20)")
    plt.axis('off'), plt.imshow(cv.cvtColor(imgFASTnms2, cv.COLOR_BGR2RGB))
    plt.subplot(236), plt.title("FAST with NMS (t=40)")
    plt.axis('off'), plt.imshow(cv.cvtColor(imgFASTnms3, cv.COLOR_BGR2RGB))
    plt.tight_layout()
    plt.show()


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57

    运行结果：

    threshold: 10
    num of Keypoints without NMS: 12100
    num of Keypoints with NMS: 3704

    threshold: 20
    num of Keypoints without NMS: 5591
    num of Keypoints with NMS: 1892

    threshold: 40
    num of Keypoints without NMS: 1974
    num of Keypoints with NMS: 840


    在这里插入图片描述


    参考文献：Edward Rosten and Tom Drummond, “Machine learning for high speed corner detection” in 9th European Conference on Computer Vision, vol. 1, 2006, pp. 430–443.

    在这里插入图片描述

    【本节完】

    版权声明：
    youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/127333535)
    Copyright 2022 youcans, XUPT
    Crated：2022-10-15

    240. OpenCV 中的 Shi-Tomas 角点检测
    241. 尺度不变特征变换（SIFT）
    242. 加速稳健特征检测算法（SURF）
    243. 特征检测之 FAST 算法

  • 相关阅读:
    字符串7——重复的子字符串
    详解RFC 793文档-1
    slambook2+ubuntu20.04(第九章-第十章)
    liunx下定时备份mysql数据
    网站降权的康复办法（详解百度SEO数据分析）
    一文讲懂GeoHash技术(一)
    SpringBoot自动装配 Spring相关 常用设计模式 双亲委派 MongoDB Redis 适配器模式与策略模式
    2022年浙江省中职组“网络空间安全”赛项模块B--Linux渗透测试
    liunx标准输入与输出
    Chrome 浏览器关闭后再打开，需要重新登录账号，解决办法
  • 原文地址：https://blog.csdn.net/youcans/article/details/127333535