Lalgorithme FAST de détection de coins | FAST Algorithm for Corner Detection

L'algorithme FAST de détection de coins

FAST Algorithm for Corner Detection

Caractéristiques issues de tests accélérés de segments

Features from Accelerated Segment Test (FAST)

Mestoui NawfelMestoui Nawfel 1 FAST Algorithm for Corner DetectionFAST Algorithm for Corner DetectionESISA - 2016ESISA - 2016

Sommaire :

I. Introduction

1. Détection de zones d'intérêt

2. Points d'intérêt

3. La méthode FAST

II. Détection de caractéristiques avec FAST

III.La technique de l'Apprentissage automatique

IV.Suppression non-maximale

V. Performances et comparaison avec d'autres méthodes

VI. Conclusion

VII. Références


Introduction

Détection de zones d'intérêt

En vision par ordinateur et en traitement d'images, la détection de zones d'intérêt d'une image numérique (feature detection en anglais) consiste à mettre en évidence des zones de cette image jugées « intéressantes » pour l'analyse, c'est-à-dire présentant des propriétés locales remarquables. De telles zones peuvent apparaître, selon la méthode utilisée, sous la forme de points, de courbes continues, ou encore de régions connexes rectangulaires ou non et qui constituent le résultat de la détection.

Points d'intérêtLes algorithmes de détection de points d'intérêt se focalisent en général sur des points particuliers des contours, sélectionnés selon un critère précis.Ainsi, les coins (corners) sont les points de l'image où le contour (de dimension 1) change brutalement de direction,comme par exemple aux quatre sommets d'un rectangle.


Figure 2: Resultat d'un algorithme de détection de coins

Figure 1: SURF (à gauche), MSER (au centre), et la détection de coins (à droite) . En utilisant la même image, trois types de zones d'intérêt différentes sont détectées et les résultats affichés sur l'image originale

https://fr.wikipedia.org/wiki/Traitement_d'images

La méthode FAST

Features from Accelerated Segment Test (FAST), que l'on peut traduire par caractéristiques issues de tests accélérés de segments, est un algorithme de détection de caractéristiques, présenté par des chercheurs de l'université de Cambridge pour la première fois en 2006. Il est utilisé dans le domaine de vision par ordinateur, pour des tâches de détection d'objet ou de reconstruction 3D.

L'algorithme fonctionne en deux étapes : dans la première étape, un test de segment basé sur les luminosités relatives est appliqué à chaque pixel de l'image traitée ; la deuxième étape permet d'affiner et de limiter les résultats par la méthode [ suppression non-maximum ].


Figure 3 : Première image à gauche montre [FAST avec suppression non-maximum] et la deuxième sans [suppression non-maximum]

https://fr.wikipedia.org/w/index.php?title=Reconstruction_3D&action=edit&redlink=1

https://fr.wikipedia.org/wiki/D%C3%A9tection_d'objet

https://fr.wikipedia.org/wiki/Vision_par_ordinateur

https://fr.wikipedia.org/wiki/Universit%C3%A9_de_Cambridge

Détection de caractéristiques avec FAST

1. Sélectionnez un pixel p dans l'image qui doit être identifié comme un point ou non d'intérêt. Que son intensité soit Ip

2. Sélectionnez une valeur de seuil approprié t

3. Considérons un cercle de 16 pixels autour du pixel en cours de test. (Voir l'image ci-dessous)

4. Maintenant, le pixel p est un coin si il existe un ensemble de n pixels contigus dans le cercle (de 16 pixels) qui sont tous plus lumineux que Ip + t, ou tout plus sombre que Ip - t. (Représentées par des lignes pointillées blanches dans l'image ci-dessus). (Les auteurs ont utilisé n = 12 dans la première version de l'algorithme).

5. Pour rendre l'algorithme rapide, on compare d'abord l'intensité des pixels 1, 5, 9 et 13 du cercle avec Ip. Comme le montre la figure ci-dessus, au moins trois de ces quatre pixels devraient satisfaire le critère de seuil pour que le pixel soit un point d'intérêt.

6. Si p est un coin, alors au moins trois d'entre eux doivent tous être plus lumineux que Ip+ t ou plus foncée que IP - t. Si ce n'est pas le cas, alors p ne peut pas être un coin.

7. Répétez la procédure pour tous les pixels de l'image

Il ya quelques limitations à l'algorithme. Tout d'abord, pour n <12, l'algorithme ne fonctionne pas très bien dans tous les cas parce que lorsque n <12 le nombre de points d'intérêt détectées sont très élevés. En second lieu, l'ordre dans lequel les 16 pixels sont testés détermine la vitesse de l'algorithme.

Une approche d' Apprentissage automatique a été ajouté à l'algorithme pour traiter ces problémes.


La technique de l'Apprentissage automatique

1. Sélectionnez un ensemble d'images pour l'apprentissage (de préférence dans le domaine d'application cible)

2. Pour chaque image, exécuter l'algorithme FAST afin de détecter les points d'intérêt en prenant un pixel à la fois et évaluer tous les 16 pixels dans le cercle.

3. Pour chaque pixel p, stocker les 16 pixels qui l'entourent dans un vecteur.

4. Répétez cette opération pour tous les pixels de toutes les images. Ceci est le vecteur P qui contient toutes les données de l'apprentissage.

5. Chaque valeur (un des 16 pixels, disons x) dans le vecteur, peut prendre trois états. Plus sombre que p, plus claire que p ou similaire à p.

Mathématiquement

Plus sombrePlus sombre

SSimilaireimilaire

P Plus clairelus claire

Sp->x est l'état, Ip->x est l'intensité du pixel x. et t est le seuil

6. Selon les Etats, la totalité du vecteur P sera subdivisé en trois sous-ensembles, Pd, Ps,Pb.

7. Définir une variable Kp qui est vrai si p est un point d'intérêt et fausse si p est pas unpoint d'intérêt.

8. Utilisez l'algorithme ID3 (classificateur - arbre de décision) pour interroger chaque sous-ensemble en utilisant la variable kp pour la connaissance de la classe correcte. Il sélectionne le x qui donne le plus d'informations pour savoir si le pixel candidat est un coin, mesurée par l'entropie de kp.

9. Ceci est appliqué de façon récursive à touts les sous-ensembles jusqu'à ce que son entropie est nulle.

10. L'arbre de décision ainsi créée est utilisée pour la détection rapide pour d'autres images.


Figure 5: Les 16 valeurs qui entourent le pixel p stockés dans un vecteur

Suppression non-maximale

La détection de plusieurs points d'intérêt adjacents les uns aux autres est une des autres problèmes de la version initiale de l'algorithme. Cela peut être traitée en appliquant la suppression non maximale après détection des points d'intérêt.

L'algorithme est décrit ci-dessous:

1. Calculer une fonction de score, V pour tous les points caractéristiques détectés. V est la somme de différence absolue entre p et les 16 pixels qui l'entourent.

2. Considérons deux points clés adjacentes et calculer leurs score V.

3. Exclure celui qui a le score V le plus faible.

L'ensemble du processus peut être résumé mathématiquement comme suit:

p est le pixel central, t est le seuil pour la détection et les valeurs de pixels(pixel values) correspondent aux n pixels contigus dans le cercle.


Figure 6: Une image avec des points d'intérêt détectés. Lespoints verts indiquent les coins non-maximum supprimés

Performances et comparaison avec d'autres méthodes

• Ensembles de données

• Quel FAST est meilleur ?


• Comparaison avec d'autres méthodes

• Les performances au bruit


Conclusion

Il est plusieurs fois plus rapide que les autres détecteurs de caractéristiques existants.

Détection de caractéristiques de haute qualité

Mais il n' est pas robuste aux niveaux élevés de bruit.

Il dépend d'un seuil.

Références:

1. E. Rosten and T. Drummond, « Machine learning for high speed corner detection », <http://www.edwardrosten.com/work/rosten_2006_machine.pdf>

2. Wikipedia, «Corner Detection » , < http://en.wikipedia.org/wiki/Corner_detection >

3. Edward Rosten and Tom Drummond, « Fusing points and lines for high performance tracking », <http://www.edwardrosten.com/work/rosten_2005_tracking.pdf>

4. Wikipedia, « Algorithme de tracé d'arc de cercle de Bresenham», <https://fr.wikipedia.org/wiki/Algorithme_de_trac%C3%A9_d%27arc_de_cercle_de_Bresenham>

5. Wikipedia «Features from Accelerated Segment Test » , <https://fr.wikipedia.org/wiki/Features_from_Accelerated_Segment_Test>


https://fr.wikipedia.org/wiki/Algorithme_de_trac%C3%A9_d'arc_de_cercle_de_Bresenham

Education

Lalgorithme FAST de détection de coins | FAST Algorithm for Corner Detection