关于角点检测的经典论文

角点作为图像上的特征点,包含有重要的信息，在图像融合和目标跟踪及三维重建中有重要的应用价值。但是基于实际应用需求,从角点检测的快速性、准确性、鲁棒性等要求出发,可以看出上面对各种角点检测算法的分析各有利弊。直接基于图像的角点检测基本上是全局搜索；基于边缘轮廓的角点检测数据量较少,可以采用多分辨分析并行处理,从灰度图像得到边缘轮廓曲线要经过两次以上的全局搜索,速度并不是很快,但对角点的误检和漏检要比直接基于图像的方法好得多。如果在得到轮廓曲线的过程中应用一些其他的变换方法,就计算的速度而言,下降不少，所以一般快速的、较准确的角点检测使用直接基于图像模板的方法完全可以满足需要,但如果对角点的完备性要求较高,那么使用基于轮廓线的多尺度分析方法应该给予考虑。

理论 我们看到了一些特征检测算法，他们很多都不错，但是从实时应用的角度看，他们都不够快，一个最好的例子是SLAM（同步定位与地图创建）移动机器人没有足够的计算能力。 作为解决方案，FAST(加速切片测试特征）算法被提出，Edward Rosten和Tom Drummond 2006年在他们的论文“Machine learning for high-speed corner detection”提出，并在2010年最后修订，算法的基本大意如下： 使用FAST进行特征检测 1.选择一个图像里的像素p用来识别是不是一个兴趣点，它的强度是Ip 2.选择一个合适的阈值t 3.在要测试的像素周围找16个像素的圆 4.现在如果存在一个在圆内（16像素的）的n个连续像素集合，他们都比Ip + t要亮，或者都比Ip - t 要暗（用白虚线显示），那p就是角， n取12。 5.用一个高速测试来排除大量非角。这个测试只检查1,9,5和13位置的像素（首先1和9会测试是否他们太亮或者太暗，如果是，再检查5和13）。如果p是角，那么至少3个都比Ip+t要亮或者比Ip-t要暗，如果不是这样，那么p不可能是角。这个检测器展现了高性能，但是有几个缺陷： ·当n< 12时不能拒绝很多备选点 ·像素的选择不是可选的，因为它的效率依赖问题和角的分布。 ·高速测试的结果被丢弃了 ·会检测出多个爱挨在一起的特征 机器学习角点检测 1.选择一组图像进行训练（最好从目标应用范围内） 2.运行FAST算法来对每个图像进行特征点查找 3.对每个特征点，存下周围的16个像素作为向量。所有图像做完以后得到特征向量P。 4.这16个像素里的每个像素（设为x）可以有下面的三个状态： 5.根据这些状态，特征向量P被分成3个子集，Pd, Ps, Pb. 6.定义个新的布尔变量Kp,如果p是角就是真反之为假。 7.使用ID3算法（决策树分类）来查询每个子集，对于每个true类用变量Kp，它选择x来得出一个备选像素是否是角的信息。 8.对所有子集迭代直到为0 9.创建的决策树用来对其他图形做fast检测 非极大值抑制 在临近位置检测多个兴趣点是另一个问题，可以使用非极大值抑制来解决。 1.计算一个分数函数，V是所有检测到的特征点，V是p和16个围着的像素值得绝对差。 2.计算两个相邻关键点的V值 3.丢掉V值低的那个 总结: 它比其他存在的角点算法要快几倍 但是它对高噪点情况来说不健壮，依赖阈值 OpenCV里的FAST特征检测 它和其他OpenCV里的特征检测类似，如果你愿意，你可以指定阈值，是否使用非极大值抑制，要用的邻居等。 对于邻居，定义了三个标志位， , 和. 看结果，第一个图像显示了使用了非极大值抑制的FAST，第二个是没有使用非极大值抑制的。 END