影像特征—FAST關鍵點

一、引言

最近在看視覺slam十四講這本書，里面關于影像特征點的一些總結非常值得學習一下，

1.特征點所應具有的性質

（1）可重復性：相同的特征可以在不同的影像中找到；
（2）可區別性：不同的特征具有不同的表達；
（3）高效率：同一影像中，特征點的數量應遠小于像素的數量；
（4）本地性：特征僅與一小片影像區域有關，

2.常見的一些特征提取方法的區別

（1）SIFT（尺度不變特征變換）特征：屬于最為經典的一種，該方法充分地考慮了在影像變換程序中出現的光照、
尺度、旋轉等變化，因此也使得這種方法的計算量極大，使用非常耗時，
（2）FAST關鍵點：屬于計算特別快的一種特征點檢測方法，之所以快是因為這種方法只是只是找到了關鍵點，
并沒有相應的描述子，
（3）ORB特征：該方法改進了FAST檢測不具有方向性的問題，并且采用速度極快的二進制描述子BRIEF，使整個
影像特征的提取速度大大加快，
補充：特征點是由關鍵點和描述子兩部分組成，關鍵點是指該特征點在影像中的位置，而描述子是描述特征點
周圍像素的資訊，

二、FAST關鍵點

1.檢測思路

如果一個像素與鄰域的像素差別較大（過亮或過暗），那么它更可能是角點，

2.檢測程序

（1）在影像中選取像素p，假設它的亮度為Ip；
（2）設定一個閾值T，比如為Ip的五分之一；
（3）以像素p為中心，選取半徑為3的圓上的16個像素點；
（4）假如選取的圓上有連續的N個點的亮度大于Ip+T或者小于Ip-T，那么像素p可以被認為是特征點（N通常取12，
即FAST-12，其他的常用的N取值為9和11，即FAST-9和FAST-11）；
（5）回圈以上四步，對每個像素執行相同的操作，
補充：在FAST-12中，為提升檢測的效率，通常會增加一步預篩選，具體操作如下：
	對每個像素，直接檢測鄰域圓上的第1、5、9、13個像素的亮度，只有當這4個像素中有3個同時大于Ip+T或小于
	Ip-T時，當前像素才有可能是一個角點，否則就直接排除，

3.FAST-12代碼如下

#include <iostream>
#include <opencv2/opencv.hpp>
class FastKeyPointDec{
public:
    /* 功能:判斷當前像素點是否為角點；
     * 輸入：arg1：Ip當前像素點的亮度值
     *      arg2：t為篩選閾值
     *      arg3:IpVec為以當前像素點為中心，半徑為3的周圍16個像素
     * 輸出：true or false
     * */
    bool isKeyPoint(double Ip,double T,std::vector<double>IpVec){
        assert(IpVec.size()==16);
        int n=0;    //統計特征點數量
        //assert(Ip>=T);
        //預篩選：1 5 9 13四個點至少有三個同時滿足條件可進行下一步
        int a1=IpVec[0]>Ip+T || IpVec[0]<Ip-T;
        int a2=IpVec[4]>Ip+T || IpVec[4]<Ip-T;
        int a3=IpVec[8]>Ip+T || IpVec[8]<Ip-T;
        int a4=IpVec[12]>Ip+T || IpVec[12]<Ip-T;
        if(a1+a2+a3+a4<=2){
            return false;
        }
        for(size_t i=0;i<16;i++){
            double temp=IpVec[i];
            if(temp>Ip+T||temp<Ip-T){
                n++;
            }
        }
        if(n>=12){
            return true;
        }else{
            return false;
        }
    }
    /* 功能:對一幅影像進行角點檢測
     * 輸入：arg1：輸入檢測的影像
     *      arg2：角點坐標
     *      arg3：閾值
     * 輸出：角點檢測的結果
     * */
    void fastDectKey(const cv::Mat srcImg,std::vector<cv::Point>&keyPoint,double T){
        assert(!srcImg.empty());
        cv::Mat img;
        int row=srcImg.rows;
        int col=srcImg.cols;
        std::vector<double>ipVec(0);
        cv::cvtColor(srcImg,img,cv::COLOR_BGR2GRAY);
        //assert(img.channels()==1);
        for(int i=3;i<row-3;i++){
            for(int j=3;j<col-3;j++){
                double ipval=img.at<uchar>(i,j);
                ipVec.push_back(img.at<uchar>(i-3,j));ipVec.push_back(img.at<uchar>(i-3,j+1));   //1,2
                ipVec.push_back(img.at<uchar>(i-2,j+2));    //3
                ipVec.push_back(img.at<uchar>(i-1,j+3));ipVec.push_back(img.at<uchar>(i,j+3));ipVec.push_back(img.at<uchar>(i+1,j+3));//4,5,6
                ipVec.push_back(img.at<uchar>(i+2,j+2));    //7
                ipVec.push_back(img.at<uchar>(i+3,j+1));ipVec.push_back(img.at<uchar>(i+3,j));ipVec.push_back(img.at<uchar>(i+3,j-1));//8,9,10
                ipVec.push_back(img.at<uchar>(i+2,j-2));    //11
                ipVec.push_back(img.at<uchar>(i+1,j-3));ipVec.push_back(img.at<uchar>(i,j-3));ipVec.push_back(img.at<uchar>(i-1,j-3));//12,13,14
                ipVec.push_back(img.at<uchar>(i-2,j-2));    //15
                ipVec.push_back(img.at<uchar>(i-3,j-2));    //16
                if(ipVec.size()==16){
                    if(isKeyPoint(ipval,T,ipVec)){
                        keyPoint.push_back(cv::Point(j,i));
                        cv::circle(srcImg,cv::Point(j,i),2,cv::Scalar(255,255,0),1,cv::LINE_8);
                    }
                    ipVec.clear();
                }
            }
        }
        cv::imshow("res-key",srcImg);
    }
};
int main() {
    std::cout << "Hello, World!" << std::endl;
    cv::Mat src=cv::imread("../1.png");
    if(src.empty()){
        std::cout<<"no image\n";
    }
    FastKeyPointDec fast;
    std::vector<cv::Point>pt;
    //cv::flip(src,src,1);
    fast.fastDectKey(src,pt,30);
    cv::imshow("src",src);
    cv::waitKey(0);
    return 0;
}

檢測效果如下

三、總結

觀察FAST-12的檢測結果，影像中大多亮度變化明顯的角點都有被檢測出來，但是單純的論特征點檢測來說，效果
不甚理想，其原因大概有以下三點：
（1）FAST演算法只是比較影像亮度的大小，所以亮度變化明顯的容易被檢測出來，而在一些亮度變化緩慢的地方的
特征點容易被忽略，因此可以在預處理時增加一些邊緣銳化等一些操作，增加一下影像的對比度，可以較好的提升檢測效果，
（2）篩選閾值選取的不夠合理；
（3）檢測的影像不夠理想，
另外，在FAST關鍵點檢測完畢后，還需要使用非極大值抑制法再進行一次篩選，以避免特征點集中的問題，