首页 诗词 字典 板报 句子 名言 友答 励志 学校 网站地图
当前位置: 首页 > 教程频道 > 平面设计 > 图形图像 >

图像处理特性不变算子系列之FAST算子(四)

2013-10-08 
图像处理特征不变算子系列之FAST算子(四)图像处理特征不变算子系列之FAST算子(四)kezunhai@gmail.comhttp:

图像处理特征不变算子系列之FAST算子(四)

图像处理特征不变算子系列之FAST算子(四)

kezunhai@gmail.com

http://blog.csdn.net/kezunhai


          在前面分别介绍了:图像处理特征不变算子系列之Moravec算子(一)、图像处理特征不变算子系列之Harris算子(二)和图像处理特征不变算子系列之SUSAN算子(三)。今天我们将介绍另外一个特征检测算子---FAST算子, FAST算子是Rosten等人在SUSAN角点特征检测方法的基础上利用机器学习方法提出的,本文将对FAST算子进行详细地分析。

           前面的SUSAN算子,这里的FAST算子,读起来真的是上口,尤其是与其全名比起来。FAST的全名是:Features from Accelerated Segment Test(翻译成:加速分割测试特征,多少有点别扭)。FAST算子如其名,计算速度快,可以应用与实时场景中。在FAST特征提出之后,实时计算机视觉应用中特征提取性能才有显著改善。目前以其高计算效率(computational performance)、高可重复性(high repeatability)成为计算机视觉领域最流行的角点检测方法。

           FAST算法包含3个主要步骤:

         (1)对固定半径圆上的像素进行分割测试,通过逻辑测试可以去处大量的非特征候选点;

         ( 2)基于分类的角点特征检测,利用ID3 分类器根据16个特征判决候选点是否为角点特征,每个特征的状态为一1,0,1。

         (3)利用非极大值抑制进行角点特征的验证。

下面我们对这3个步骤进行分析。

            1)固定半径圆上的像素进行分割测试(Segment Test)

             在分割测试中,可以去除大量的非候选角点,这样就可以把可能的角点帅选出来。分割测试是通过对一固定半径的圆形模板的比较和计算进行的,在FAST角点检测算子中,一般是通过半径为3.4 pixel、外围16个像素的圆的作为模板,通过下图我们来具体分析下分割测试。

图像处理特性不变算子系列之FAST算子(四)

在上图中,是12点的分割测试角点检测算法的示意图(还有9点的分割测试角点检测,具体参考后面的参考资料)。12点分割测试角点检测算法是在一个图像块上进行,如上图中的左边方块,其中p是中心像素点,12点取的是图上用弧线连接的12个点的像素值都大于或都小于中心像素值,则认为该点处是候选角点(为什么选择12点,因为通过测试,12点的角点检测性能最稳定、速度更快、效果也很好,当然有些文献指出9点的方式也很好)。分割测试是怎么进行的呢?用下面的公式来说,便可一目了然。

图像处理特性不变算子系列之FAST算子(四)

上式中,t是一个阈值(默认取值为10,不同场景取值有差异),Ip表示的是中心像素的像素值,Ip->x表示的是圆形模板中的像素值上式的意思是:当中心像素的像素值Ip小于x处的像素值Ip->x+t时,则该像素属于darker,Sp->x=d,其他两种情况分别表示亮些和相似。这样一个块(圆形)区域就可以分成d、s和b三种类型。这时候只要统计圆形区域中d或b的次数,只要d或b出现的次数大于n((当是12点分割测试角点检测时,n=12;当是9点时,则n=9),那么该点就被认为是候选角点。

           在分割测试步骤中,为了加快速度,其实不需要对这些像素进行逐一的比较。简单来说:首先比较1、5、9、13处点的像素值(也即水平方向和垂直方向上的4个点)与中心像素值的大小,如果这四个点中的像素值有3个或3个以上大于Ip+t或小于Ip-t,那么则认为该处是一个候选角点,否则就不可能是角点。

         2)ID3决策树算法来训练角点检测

          通过上式中比较,可以将模板内的像素分成三部分d、s、b,分别记为:Pd,Ps,Pb。因此对于每个Sp->x都属于Pd,Ps,Pb中的一个。另外,令Kp为true,如果p为角点,否则为false。通过ID3算法来选择具有最大信息增益的像素来判断一个像素是否为角点。Kp的熵用下式来计算:

图像处理特性不变算子系列之FAST算子(四)

某一像素的信息增益通过下式来表示:

图像处理特性不变算子系列之FAST算子(四)

对上述像素依次进行如上处理,选择像素增益最大的像素作为判断角点的依据,生成决策树,从而实现角点的正确分类。

           3)非极大值抑制

           在上面的分割测试中,没有计算角点响应函数(Corner Response Function),非极大值抑制无法直接应用于提取的特征。因此,定义一个角点响应函数V,考虑到分割测试的特征以及计算速度的需要,角点响应函数的定义如下:

图像处理特性不变算子系列之FAST算子(四)

定义了角点响应函数后,就可以采用常规的非极大值抑制方法对非角点进行排除了。

         总结:FAST角点检测算法是一种具有高计算效率(computational performance)、高可重复性(high repeatability)特征提取算子,在立体图像匹配、图像配准、目标识别、目标跟踪、场景重构等领域得到了广泛的应用,成为计算机视觉领域最流行的角点检测方法。但是,噪声对该算子的影响比较大,而且阈值t对算子的影响比较大。

       更多信息请参考

       1、FAST Corner Detection -- Edward Rosten:http://www.edwardrosten.com/work/fast.html

       2、A Brief History of FAST corner detector:http://blog.csdn.net/anshan1984/article/details/8867653

       3、AGAST Corner Detector: faster than FAST and even FAST-ER:http://www6.in.tum.de/Main/ResearchAgast

      

作者:kezunhai 出处:http://blog.csdn.net/kezunhai 欢迎转载或分享,但请务必声明文章出处。

热点排行