2024年5月12日发(作者：潜温书)
基于加速分割的自适应通用角点检测算法
Elmar Mair¹
⋆
, Gregory D. Hager², Darius Burschka¹,
Michael Suppa³, and Gerhard Hirzinger³
¹慕尼黑工业大学（TUM），计算机科学系，
Boltzmannstr。3,85748加兴，德国
{,burschka}@
²约翰霍普金斯大学（JHU），计算机科学系，3400 N。
查尔斯街，巴尔的摩，MD21218-2686，USA
************.edu
³德国航空航天中心（DLR），机器人与机电一体化研究所，
慕尼黑人街。 20,82230韦斯林，德国
{,ger}@
摘要 在计算机视觉的各项工作中，对于有意义的特征的高效检测是至关重要
的一步。由于其二维特征约束和快速算法，在检测这些特征时，角点成为备受青
睐的线索。最近出现的一种新型角点检测算法,
FAST，无论是在计算性能还是在
可重复性上都优于先前的算法。我们将展示，通过改善其通用性同时提高性能，
作为FAST算法基础的加速分割检测可以得到怎样显著的改进。我们通过在一个
扩展构型空间中寻找最优决策树,并演示如何通过结合特殊树进行自适应通用加
速分割检测。不像FAST算法一样需要适应一个特定的场景结构，这个方法提供
对任意环境的高性能检验。我们还将讨论在加速分割检测中，不同的测试模式对
于角点响应的影响。
关键词：角点检测，AGAST，自适应，通用，高效，AST
1 引言
高效的角点检测算法是许多计算机视觉应用的基础，例如寻找跟踪特征，匹
配跟踪，增强现实，配准或三维重建方法。与边缘和颜色线索相比，角点更精确
并且能够提供二维特征约束。将角点考虑作两个边缘的交点，这些特征没有空间
⋆这项工作是作者在CIRL实验室（约翰霍普金斯大学）研究期间完成的。我们对这个研究小
组的所有成员的有趣的讨论和大力支持深表感谢。
扩展，因此，没有模棱两可的位置。当然，在这个方面，只有当角点的位置是保
留的并且角点检测的响应尽可能地接近角点的实际位置时才有效。在文献中已经
有几个不同的角点检测的方法。所有的方法都致力于寻找到一个高效、准确和可
靠的角点检测算法——三个相当冲突的特点。
Harris角点检测算法也许是最受欢迎的角点提取方法[1]。它基于局部平方和
之差(SSD) 的二阶导数的一阶泰勒展开式。线性变换的特征值显示了当补丁沿图
像轴移动时局部平方和之差的近似值改变了多少。对于基于[2]或非基于[3]给定
阈值的特征值都有解。所谓的全局匹配算法允许在整个图像中检测特征。因此，
角点探测器需提供高可重复性，这样在大的仿射转换后它也能检测到相同的特征。
全局跟踪算法SIFT[4]使用了高斯差分函数(DoG)，而更快的算法SUFT[5]使用了
对于黑森矩阵的哈尔小波近似，这两个方法都有一个缺点，计算量太大。史密斯
为角点检测提出了“最小吸收核同值区”(SUSAN)
[6]算子。中心像素的亮度，
核，与其圆形像素邻域相比较，并计算吸收核同值区(USAN)。通过评估这个区
域可以检测到角点和边缘，或者用来降噪。这种方法的好处是不用推导噪声敏感
而且计算量较小。在[6]使用直径为3.4的圆时，其总面积为37像素。在[7]中可
以找到更全面的调查。
在过去的十年中，标准计算机的处理能力已经足够在视频速率下提取角点。
然而，运行常规角点检测(例如Harris检测)以及执行其它集中的任务，在单处理
器下是不可行的。随着新技术的引入，如“加速段分割特征提取测试”(FAST)[8]，
实时计算机视觉应用的特征提取性能有显著提高。高效的同时，由于高可重复性
(见[9])，这种方法在几个应用中被证明是可靠的。使用FAST算法的应用有，例
如，克莱恩的并行追踪与绘制[10]及泰勒的2.3µs鲁棒特征匹配[11]。
在这里我们将提出一个新的角点检测方法，与FAST基于同样的角点检测标
准，但对任意图像提供了显著的性能提升。不同于FAST，角点探测器不需要为
特定的场景做训练，它可以在处理图像时动态地适应环境。
由于当前的工作与FAST算法有很大的联系，第2章节详细讨论了FAST算
法的更多细节。在第3章节中，我们将展示自适应通用加速分割检测对于任意环
境的性能提升。此外，我们将在第4章节讨论不同分割模式的使用并展示一些实
验结果证明已经实现的加速。
2024年5月12日发(作者：潜温书)
基于加速分割的自适应通用角点检测算法
Elmar Mair¹
⋆
, Gregory D. Hager², Darius Burschka¹,
Michael Suppa³, and Gerhard Hirzinger³
¹慕尼黑工业大学（TUM），计算机科学系，
Boltzmannstr。3,85748加兴，德国
{,burschka}@
²约翰霍普金斯大学（JHU），计算机科学系，3400 N。
查尔斯街，巴尔的摩，MD21218-2686，USA
************.edu
³德国航空航天中心（DLR），机器人与机电一体化研究所，
慕尼黑人街。 20,82230韦斯林，德国
{,ger}@
摘要 在计算机视觉的各项工作中，对于有意义的特征的高效检测是至关重要
的一步。由于其二维特征约束和快速算法，在检测这些特征时，角点成为备受青
睐的线索。最近出现的一种新型角点检测算法,
FAST，无论是在计算性能还是在
可重复性上都优于先前的算法。我们将展示，通过改善其通用性同时提高性能，
作为FAST算法基础的加速分割检测可以得到怎样显著的改进。我们通过在一个
扩展构型空间中寻找最优决策树,并演示如何通过结合特殊树进行自适应通用加
速分割检测。不像FAST算法一样需要适应一个特定的场景结构，这个方法提供
对任意环境的高性能检验。我们还将讨论在加速分割检测中，不同的测试模式对
于角点响应的影响。
关键词：角点检测，AGAST，自适应，通用，高效，AST
1 引言
高效的角点检测算法是许多计算机视觉应用的基础，例如寻找跟踪特征，匹
配跟踪，增强现实，配准或三维重建方法。与边缘和颜色线索相比，角点更精确
并且能够提供二维特征约束。将角点考虑作两个边缘的交点，这些特征没有空间
⋆这项工作是作者在CIRL实验室（约翰霍普金斯大学）研究期间完成的。我们对这个研究小
组的所有成员的有趣的讨论和大力支持深表感谢。
扩展，因此，没有模棱两可的位置。当然，在这个方面，只有当角点的位置是保
留的并且角点检测的响应尽可能地接近角点的实际位置时才有效。在文献中已经
有几个不同的角点检测的方法。所有的方法都致力于寻找到一个高效、准确和可
靠的角点检测算法——三个相当冲突的特点。
Harris角点检测算法也许是最受欢迎的角点提取方法[1]。它基于局部平方和
之差(SSD) 的二阶导数的一阶泰勒展开式。线性变换的特征值显示了当补丁沿图
像轴移动时局部平方和之差的近似值改变了多少。对于基于[2]或非基于[3]给定
阈值的特征值都有解。所谓的全局匹配算法允许在整个图像中检测特征。因此，
角点探测器需提供高可重复性，这样在大的仿射转换后它也能检测到相同的特征。
全局跟踪算法SIFT[4]使用了高斯差分函数(DoG)，而更快的算法SUFT[5]使用了
对于黑森矩阵的哈尔小波近似，这两个方法都有一个缺点，计算量太大。史密斯
为角点检测提出了“最小吸收核同值区”(SUSAN)
[6]算子。中心像素的亮度，
核，与其圆形像素邻域相比较，并计算吸收核同值区(USAN)。通过评估这个区
域可以检测到角点和边缘，或者用来降噪。这种方法的好处是不用推导噪声敏感
而且计算量较小。在[6]使用直径为3.4的圆时，其总面积为37像素。在[7]中可
以找到更全面的调查。
在过去的十年中，标准计算机的处理能力已经足够在视频速率下提取角点。
然而，运行常规角点检测(例如Harris检测)以及执行其它集中的任务，在单处理
器下是不可行的。随着新技术的引入，如“加速段分割特征提取测试”(FAST)[8]，
实时计算机视觉应用的特征提取性能有显著提高。高效的同时，由于高可重复性
(见[9])，这种方法在几个应用中被证明是可靠的。使用FAST算法的应用有，例
如，克莱恩的并行追踪与绘制[10]及泰勒的2.3µs鲁棒特征匹配[11]。
在这里我们将提出一个新的角点检测方法，与FAST基于同样的角点检测标
准，但对任意图像提供了显著的性能提升。不同于FAST，角点探测器不需要为
特定的场景做训练，它可以在处理图像时动态地适应环境。
由于当前的工作与FAST算法有很大的联系，第2章节详细讨论了FAST算
法的更多细节。在第3章节中，我们将展示自适应通用加速分割检测对于任意环
境的性能提升。此外，我们将在第4章节讨论不同分割模式的使用并展示一些实
验结果证明已经实现的加速。