英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

---

计算机视觉的快速角点检测

爱德华罗斯滕和汤姆德拉蒙德

英国剑桥大学工程系

摘要：

所有用于实时帧频率的人脸特征点检测，高速特征特征点检测是必要。SIFT角点检测方法，Harris角点检测方法，SUSAN角点检测方法都是高质量的检测方法，但是他们都太复杂了当应用到实时检测方面。在这里我们展示机器学习可以用于派生特征探测器可以充分处理PAL视频使用小于 7%的可用的处理时间。通过比较 harris（120%)和SIFT（300%),检测阶段可以操作全帧速率。

明确地高速检测器特点是适合下游图像的处理加工。尤其是，从两个不同的位置查看同一场景应该产生特性相同的真实世界3D位置 [1]。因此本文的第二的部分是基于此应用于3D场景比较角检测器。这种角点检测器提出的申索的数目。此外，与我们最初的预期，我们表明尽管主要是构筑的速度，我们探测器显著优于现有特征点检测器。

1. 介绍

角点检测用作跟踪，SLAM（同时本地化和映射)，本地化、 图像匹配和识别等许多视觉任务的第一步。于是，大量的角点检测存在着不敏锐性。许多已经不再面向我们开放了。所以提出另一个新的角点检测方法，我们对有实时帧率应用，如计算资源溢价有着浓厚兴趣。尤其是现在仍然当处理全帧速率视频直播，现有特征检测器要很长一段时间。

本文的第 2 部分演示如何描述特征探测器在早先的工作可以被机器学习算法，增加运算速度。此外，这种方法允许角点检测被调用，从而生产一套高速的角点检测器，而我们目前使用的实时跟踪 [2] 和 AR 标签的位置 [3]。

为了提高速度我们不一定要牺牲质量的特征点探测器通过比较我们的检测器和各种知名的角点探测器。第 3 部分中使用了施密德的标准 [1]，3D 场景中的不同情况下，探测器应产生 （尽可能） 相同的特征点，对应于场景中相同的功能。在这里我们展示如何应用于 3D 场景，其中一种近似于表面模型。

1.1预备工作

特征检测算法绝大多数工作通过在图像计算角响应函数 (C)。然后保留超过某一阈值的像素。

莫拉维克 [4] 计算SSD候选角点的修补程序和修补程序转移方向数目小的距离。C 是由SSD 所获得，从而确保提取的角点是在最大限度地改变。

Harris角点检测是一种直接基于灰度图像的角点提取算法，公式如下：

其中 ^ 表示平均表现 （光滑的圆形窗口可用于代替矩形执行平均造成噪音小，各向同性的响应） 的图像修补程序。Harris接着定义角响应为：

如果这两个特征值的 H 很大，而且它避免了特征值的显式计算。它表明 [6] 特征值是图像曲率的近似度量。

数学分析基于假设的仿射图像变形，石和托马西 [7] 的结论是，最好使用最小的本征值的 H 作为角强度函数︰

大量的建议 [5,7,8,9] 已作如何计算角强度从 H 和这些一直是所有显示 [10] 必须等价于 H 各种矩阵准则。

郑 [11] 执行 H并计算分析，找到一些合适的近似，使它们能够通过计算只有两个平滑的图像，而不是先前所要求的三个图像。

Lowe [12] 通过卷积与在多个尺度的高斯差分 （DoG） 内核映像保留最优规模以及空间的地点来获取标度不变性。DoG的使用，因为它是很好的拉普拉斯算子 和更快地计算近似。这样，只要提供2个部分，加快的因素大概有2中，计算相比，直接执行的高斯卷积 [13] 提出了DoG的一个近似。

[14] 中指出LoG是一个特别稳定的尺度空间的内核。

尺度空间技术也已合并与Harris角点检测的计算在多个尺度的Harris角落并保留只有那些所有尺度上也都是最优的响应。

最近，尺度不变性更被扩展，考虑的是不变的仿射变换 [14,16,17] 的功能。

在图像中边缘 （通常在强度的阶跃变化） 对应的两个区域之间的边界。在拐角处的地区，这一边界迅速改变方向。其中涉及检测和链接以便找到角落在链式边缘通过分析链代码 [18]，在外观 [23] 中查找的曲率 [19,20,21]，[22] 方向的改变或变化极大值的边缘，开发了几种技术。其他避免链接边缘，相反看为极大值的曲率 [24] 或改变方向 [25] 在梯度大的地方。

另一类的角点检测器工作通过检查图像以查看是否它看起来像一个角落一小块。由于不计算二阶导数，（如高斯平滑） 噪音减少步骤不是必需的。因此，这些角点检测器是高计算效率的，因为像素数目检查检测到每个角落。这一个推论是，他们倾向于在模糊图像的图像。角点检测算法，提出了在这项工作属于这个范畴。

[26] 该方法假定一个角落就像一个模糊的楔子，和通过拟合到局部图像发现的楔 （振幅角和模糊） 的特点。楔形的想法被广义 [27]，角强度计算方法，计算自相似性来看的一张光盘内像素比例其强度是在一些中心 （核） 值的阈值内。像素更接近原子核的得到更高的权重。这项措施被称为 USAN （the Univalue Segment Assimilating Nucleus）。USAN 指示一个角点是因为中心像素是不同于大多数周围像素。一套规则常用来规定其特点，然后局部极小点的SUSAN(最小 USAN) 从其余的候选角点中选取。

Trajkovic和 Hedley [28] 使用一个类似的想法 ︰ 不是自相似的如果像素一般看起来不同于中心的补丁的补丁。这被衡量考虑一个圆圈。fC 是像素值的圆，中心和 fP 和 fP0 是圆直径线两端的像素值。响应函数定义为：

这里举一个例子，在圆上进行了测试。因为圆圈离散化后，直线或圆弧插补用于在离散方向给检测器相同的反应。为此，作者提出一种方法藉以图 1。12 点测试角点检测的图像检测程序。突出显示的正方形是在角点检测中使用的像素。在 p 像素是候选角点的中心。弧被表示由虚线经过 12 的邻近像素的亮度比 p 超过阈值。

为了获得更快的结果，还采用了额外的加速办法。如果测试了候选点周围每隔90度角的4个点，应该至少有3个和候选点的灰度值差足够大，否则则不用再计算其他点，直接认为该候选点不是特征点。候选点周围的圆的选取半径是一个很重要的参数，这里我为了简单高效，采用半径为3，共有16个周边像素需要比较。

检查图像以查看是否它看起来像一个角点的另一种方法是使用机器学习的图像修补程序列为角落或非角落[29]。使用在训练集的示例确定类型的检测到的特征。[30]，大多先检测位于45°和90°接近 8 * 8 窗口的中心。这被应用于图像边缘检测和细化后。它是表明一个更一般的表示和能够检测到在各种不同视角的角点检测方法。

2快速特征点检测

2.1FAST: Features from Accelerated Segment Test

FAST特征检测算法来源于corner的定义，这个定义基于特征点周围的图像灰度值，检测候选特征点周围一圈的像素值，如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该候选点为一个特征点。

其中I（x）为圆周上任意一点的灰度，I（p）为圆心的灰度，Ed为灰度值差得阈值，如果N大于给定阈值，一般为周围圆圈点的四分之三，则认为p是一个特征点。

为了获得更快的结果，还采用了额外的加速办法。如果测试了候选点周围每隔90度角的4个点，应该至少有3个和候选点的灰度值差足够大，否则则不用再计算其他点，直接认为该候选点不是特征点。这个探测器本身具有高性能，但存在几个缺陷 ︰

1.高速的测试并不一能令 n lt; 12。

2.选择和排序的快速测试像素包含隐式假设分布的特征外观。

3.一开始测试的4次 测试将被丢弃。

多个功能检测到另一个相邻。

2.2机器学习检测特征点

在这里，我们提出了一种使用机器学习来解决 （第四个涉及 2.3 节） 以及前三个要点。过程运行在两个阶段。构建为一个给定的 n 的角点检测算法，首先，角检测到从一组图像 （最好是从目标应用程序域中） 使用段测试标准为 n 和方便的阈值。这将使用较慢的算法，为每个像素只是测试所有 16 个地点周围圈上。

让 Kp 如果 p 是一个角落和假否则是布尔型的变量，这是真的。第二阶段采用 ID3 算法 [31]，并开始通过选择 x 产生最有关候选人像素是否一个角落里，测定 Kp 的熵的信息。

选择 x 则收益率信息增益 ︰

选择哪个收益最多的信息，这个过程是递归地应用在所有的三个子集，即 xb 选择到分区中的Pb，Pb,d，Pb,s，Pb,b。xs 选择分区为 Ps 在 Ps,d，Ps,s Ps,b中，每个 x 的含义是有关它应用于集的最大信息。在进程终止时的一个子集熵是零。这意味着，在这个子集的所有 p 都具有相同的值的 Kp，即他们所有都是非角点。

这创建了决策的方案，可以正确地分类所示的各个角点，并因此 （近似） 正确地体现了快速角点检测算法的规则。此决策方案转换成 C 代码，创建长字符串的嵌套 if-then-else语句编译并将其用作角点检测算法。为全面优化，一旦要获取性能分析数据测试图像和与弧性能分析的第二次启用以便重新排序优化两次，编译代码。在某些情况下，两个三个的子树可能是相同的。在这种情况下，将它们分开的布尔测试将被删除。

请注意，由于数据的不完整覆盖所有可能的角落，检测器不可能精确测试。它将相对简单的修改以确保它有测试算法相同的结果，然而，所有特征探测器都是某种程度的启发式算法而检测器是只有略微方案不同。

2.3非极大值抑制

由于部分测试不计算角点响应函数，非最大值抑制可以不被直接用于生成特征。据此，必须为每个检测到的角点，计算得分函数，V 和非最大值抑制应用于此删除角点，有一个邻角与更高的 V。有几个直观定义 V:

1.最大值 n，p 仍然是一个角点。

2.其中 p 仍然是一个角点的 t 最大值。

3.连续区域中的像素与中心像素的绝对值差总和。

定义 1 和 2 都是很高集成的方法，和很多像素共享这些相同的值。用于高速的计算，定义3 稍加修改了一下。V 是由下面的公式给出的︰

表 1。在分辨率 (768 * 288) 上运行，以毫秒为单位，并作为每帧处理预算的百分比的 PAL 视频序列的特征探测器选择的计时结果。请注意，因为 PAL 和 NTSC，DV 和 30 赫兹 VGA （常见的网络摄像头） 有大约相同的像素率，百分比是广泛适用。检测到大约 500 每个字段的功能。

2.4计时结果

对2.6GHz 皓龙和850MHz奔腾 III 处理器进行了定时测试。计时数据接管 1500个单色 PAL 视频源中的字段 (分辨率为 768 * 288 像素)。比较快速检测器 n = 9 和n= 12，向原始快速检测仪，我们执行的Harris和DoG （高斯探测器使用的 SIFT 区别），参考实现的SUSAN [32]。

如表 1 所示，FAST一般提供相当高的性能比其他测试特征探测器和博学的FAST执行达比手写版本快一倍。重要的是，它是能够生成有效的检测器为 n = 9，其中 （如将会在第 3 节所示） 是最可靠的快速检测器。在现代的硬件，快速消耗只有一小部分视频加工过程中可利用的时间和在低功耗硬件上，它是唯一的探测器测试这是能够的视频码率在所有处理。

研究决策树显示，平均 2.26s（n = 9） 和 2.39s （n = 12） 对于每个像素，以确定是否它是一个功能。相比之下，手写的探测器要求平均 2.8s。

有趣的是，速度博学的检测器和原始的 FAST之间的差异是小于皓龙处理器相比奔腾 III 上标记。我们相信，这部分由于皓龙有逐渐减少的成本，每个像素查询不如仿效我们的系统 （其中假定所有像素访问平等成本）相比于奔腾 III。

3探测器可重复性的比较

虽然有大量的角点检测的工作，但是关于比较探测器的问题要少得多。Mohannah 和 Mokhtarian [33] 评估业绩的翘曲测试图像仿射的方式在一个已知的量。他们将 一致性的角落编号CCN 定义为：

Nw 为扭曲的图像中的特征数，不是原图像中的特征数目。他们还定义精度为：

其中Ng是为数不少的 真相 角 （以人类标志），Na 是相比地面真相的匹配点数目。这不依赖于主观的分化。

Trajkovic 和 Hedley [28] 定义稳定要 强 匹配 （当他们跟踪算法中时能检测到超过三个帧的时候） 除以的角点总数的数量。这种测量方法是明显地取决于跟踪和匹配方法的，但优点是它可以测试系统所使用的日志。

当测量可靠时，重要的是如果相同的现实世界功能检测到来自多个图像 [1] 这是将在这里使用的定义。对于图像检测，一个特点是 检测 如果是在一个图像中提取并显示在第二个。它 重复 他的请求，也就检测到平面，在第二。可重复性是重复的功能比检测功能。在 [1]，被测试对平面场景图像以便点位置之间的关系是单应矩阵。基准标记被投射到平面的场景，以便准确计算。

通过模拟作为平面和使用平面纹理的表面，这种技术测试处理主要是仿射扭曲 （因为图像特征过小） 在现实条件下特征探测器的

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[150437]，资料为PDF文档或Word文档，PDF文档可免费转换为Word