图像特征—FAST关键点

一、引言

最近在看视觉slam十四讲这本书，里面关于图像特征点的一些总结非常值得学习一下。

1.特征点所应具有的性质

（1）可重复性：相同的特征可以在不同的图像中找到；
（2）可区别性：不同的特征具有不同的表达；
（3）高效率：同一图像中，特征点的数量应远小于像素的数量；
（4）本地性：特征仅与一小片图像区域有关。

2.常见的一些特征提取方法的区别

（1）SIFT（尺度不变特征变换）特征：属于最为经典的一种，该方法充分地考虑了在图像变换过程中出现的光照、
尺度、旋转等变化，因此也使得这种方法的计算量极大，使用非常耗时。
（2）FAST关键点：属于计算特别快的一种特征点检测方法，之所以快是因为这种方法只是只是找到了关键点，
并没有相应的描述子。
（3）ORB特征：该方法改进了FAST检测不具有方向性的问题，并且采用速度极快的二进制描述子BRIEF，使整个
图像特征的提取速度大大加快。
补充：特征点是由关键点和描述子两部分组成。关键点是指该特征点在图像中的位置，而描述子是描述特征点
周围像素的信息。

二、FAST关键点

1.检测思路

如果一个像素与邻域的像素差别较大（过亮或过暗），那么它更可能是角点。

2.检测过程

（1）在图像中选取像素p，假设它的亮度为Ip；
（2）设置一个阈值T，比如为Ip的五分之一；
（3）以像素p为中心，选取半径为3的圆上的16个像素点；
（4）假如选取的圆上有连续的N个点的亮度大于Ip+T或者小于Ip-T，那么像素p可以被认为是特征点（N通常取12，
即FAST-12。其他的常用的N取值为9和11，即FAST-9和FAST-11）；
（5）循环以上四步，对每个像素执行相同的操作。
补充：在FAST-12中，为提升检测的效率，通常会增加一步预筛选，具体操作如下：
	对每个像素，直接检测邻域圆上的第1、5、9、13个像素的亮度，只有当这4个像素中有3个同时大于Ip+T或小于
	Ip-T时，当前像素才有可能是一个角点，否则就直接排除。

3.FAST-12代码如下

#include <iostream>
#include <opencv2/opencv.hpp>
class FastKeyPointDec{
public:
    /* 功能:判断当前像素点是否为角点；
     * 输入：arg1：Ip当前像素点的亮度值
     *      arg2：t为筛选阈值
     *      arg3:IpVec为以当前像素点为中心，半径为3的周围16个像素
     * 输出：true or false
     * */
    bool isKeyPoint(double Ip,double T,std::vector<double>IpVec){
        assert(IpVec.size()==16);
        int n=0;    //统计特征点数量
        //assert(Ip>=T);
        //预筛选：1 5 9 13四个点至少有三个同时满足条件可进行下一步
        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:对一幅图像进行角点检测
     * 输入：arg1：输入检测的图像
     *      arg2：角点坐标
     *      arg3：阈值
     * 输出：角点检测的结果
     * */
    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 imagen";
    }
    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;
}

检测效果如下

三、总结

观察FAST-12的检测结果，图像中大多亮度变化明显的角点都有被检测出来，但是单纯的论特征点检测来说，效果
不甚理想。其原因大概有以下三点：
（1）FAST算法只是比较图像亮度的大小，所以亮度变化明显的容易被检测出来，而在一些亮度变化缓慢的地方的
特征点容易被忽略，因此可以在预处理时增加一些边缘锐化等一些操作，增加一下图像的对比度，可以较好的提升检测效果。
（2）筛选阈值选取的不够合理；
（3）检测的图像不够理想。
另外，在FAST关键点检测完毕后，还需要使用非极大值抑制法再进行一次筛选，以避免特征点集中的问题。