关于角点检测的经典论文

角点是图像很重要的特征,对图像图形的理解和分析有很重要的作用。对灰度图像、二值图像、边缘轮廓曲线的角点检测算法进行综述,分析了相关的算法,并对各种检测算法给出了评价。角点检测特征点； 综述中图法分类号：TP391文献标识码：A文章编号：1001-3695(2006)10-0017-03Survey on Corner DetectionZHAO Wen?bin, ZHANG Yan?ning(Key Lab. of Shanxi Province Computer Graphics, College of Computer, Northwestern Polytechnical University, Xi’an Shanxi 710072, China) Abstract:Corner is important feature in the analysis and understanding of images or computer graphics. This paper attempt to summarize corner detection method in gray?level image, binary image and curve of edge, also to compare with many property of corner detection words:Corner Detection; Feature Point; Survey角点没有明确的数学定义,但人们普遍认为角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点。这些点在保留图像图形重要特征的同时,可以有效地减少信息的数据量,使其信息的含量很高,有效地提高了计算的速度,有利于图像的可靠匹配,使得实时处理成为可能。其在三维场景重建、运动估计、目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。角点检测算法可以说各种各样。一般使用者仅仅要求得到一个准确的角点检测结果或该检测算法易于编程实现,满足实际后续匹配等应用需要。本文对角点检测按检测目标进行分类,对各种类下的检测算法逐一进行归纳分析。

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