FAST알고리즘을 이용한 특징 검출

FASTER and better: A machine learning approach to corner detection

FAST알고리즘을 이용한 특징 검출

1. 이미지에서 픽셀 p를 선택. 이 때, 선택한 p의 밝기는 Ip.
2. 적당한 threshold t를 정함.
3. p주위의 원 내부에 lp+t보다 밝은 픽셀이 n개 연속으로 존재하거나, Ip-t 보다 어두운 픽셀이 n개 연속으로 존재하면 픽셀 p를 코너로 판단. (논문에서 n은 12)
1. 

이 detector는 아주 좋은 성능을 보여주지만, 몇가지 단점이 있음

1. This high-speed test does not reject as many candidates for n < 12 since the point can be a corner if only two out of the four pixels are both significantly brighter or both significantly darker than p (assuming the pixels are adjacent). Additional tests are also required to find if the complete test needs to be performed for a bright ring or a dark ring.
1. 과연 12라는 n이 적당한가?
2. The efficiency of the detector will depend on the ordering of the questions and the distribution of corner appearances. It is unlikely that this choice of pixels is optimal.
1. p를 어떻게 선택할 것인가?
3. Multiple features are detected adjacent to one another.
1. p주위로 여러 features들이 나타날 수 있지 않는지?

이 약점 세가지는 machine learning으로 극복할 수 있음

1. 코너 검출을 위한 machine learning
1. Training을 위한 image dataset 선택
2. Features를 찾기 위해 모든 이미지에 FAST 알고리즘 실행
3. 검출된 모든 픽셀에 대해 픽셀 주위로 16개 픽셀을 벡터로 저장 (이 벡터를 P라고 하자)
4. 그렇다면 그 픽셀들은 이렇게 나타낼 수 있음:
1. 이 함수에 따라 벡터 P는 Pd(darker), Ps(similar), Pb(brighter)로 나타낼 수 있음
2. 이것으로 새로운 boolean 변수 Kp를 정의 -> p가 코너면 true, 아니면 false
3. Pd, Ps, Pb에 Kp변수를 이용해 코너를 빠르게 검출하는 의사결정 트리 생성
2. Non-maximal Suppression
1. 검출된 feature points에 대해 p와 주변 픽셀 16개의 차 절대값을 모두 더한 값인 V 계산
2. 인접한 2개의 key point의 V를 비교해 작은 것을 버린다.

한계!

FAST는 아주 빠르지만 노이즈가 많으면 잘 안되고, threshold 값에 의존적임…