Fast特征检测
一、Fast算法
1、基本原理
Fast特征点检测feature2D原理是在圆周上按顺时针方向从1到16的顺序对圆周像素点进行编号。如果在圆周上有N个连续的像素的亮度都比圆心像素的亮度Ip加上阈值t还要亮，或者比圆心像素的亮度减去阈值还要暗，则圆心像素被称为角点。
算法核心：利用周围像素比较的信息可以得到特征点，简单、高效。
FAST特征检测算法来源于corner的定义，基于特征点周围的像素灰度值。检测候选特征点周围一圈的像素值，如果候选区域内像素点足够多且与候选点灰度值差值足够大，则认为一个特征点。所以思路是：构建差值窗口，阈值选择（点足够多）
其中I(x)为圆周上任意一点的灰度，I(p)为圆心的灰度，Ed为灰度值差的阈值，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。
在原理基础上，为了提高运算速度，在计算时采用额外加速方法。
在点周围每隔90度的四个点，如果有3个和候选点的灰度值值足够大才认为此候选点为特征点候选点。如果不满足此条件直接丢弃。程序中采用半径为3，共有16（N）个周围像素需要比较。FAST_9,FAST_10就是表示周围像素个数。
2、算法流程
根据算法原理在设计程序时大体流程为：
1、设置阈值：用于比较是否周围像素点和候选点的差值是否足够大，阈值选择很重要，也是一个缺陷
2、构建移动窗口：程序中设计为半径为3，大约16个像素组成的区域，与中心点像素比较
3、候选像素与构建的周围区域比较：算法采用先与图中位置法检查在位置1，9，5和13四个位置的像素，首先检测位置1和位置9，如果它们都比阈值暗或比阈值亮，再检测位置5和位置13。如果$P$是一个角点，那么上述四个像素点中至少有3个应该必须都大于$I_p+t$或者小于$I_p-t$，因为若是一个角点，超过四分之三圆的部分应该满足判断条件。如果满足，则检测圆内所有点。如果不满足直接舍弃
4、对角点进行非极大值抑制，得到角点输出。
以上方法还是有不够鲁棒的地方，但可以通过机器学习和非极大值抑制的方法来增强鲁棒性。
1、计算得分函数，它的值V是特征点与其圆周上16个像素点的绝对差值中所有连续10个像素中的最小值的最大值，而且该值还要大于阈值t；
2、在3×3的特征点邻域内（而不是图像邻域），比较V；
3、剔除掉非极大值的特征点
3、算法性质
- 通过周围区域判断四个角上点不能拒绝许多的候选点；
- 检测出来的角点不是最优的，这是因为它的效率取决于问题的排序与角点的分布；
- 对于角点分析的结果被丢弃了；
- 多个特征点容易挤在一起
- 阈值选择对结果有很大影响
二、算法源码
注：此源码来自于opencv，在此基础进行分析和理解。
template<int patternSize>
void FAST_t(InputArray _img, std::vector<KeyPoint>& keypoints, int threshold, bool nonmax_suppression)
{
Mat img = _img.getMat(); //提取出输入图像矩阵
//K为圆周连续像素的个数
//N用于循环圆周的像素点，因为要首尾连接，所以N要比实际圆周像素数量多K+1个
const int K = patternSize/, N = patternSize + K + ;
#if CV_SSE2
const int quarterPatternSize = patternSize/;
(void)quarterPatternSize;
#endif
int i, j, k, pixel[];
//找到圆周像素点相对于圆心的偏移量
makeOffsets(pixel, (int)img.step, patternSize);
//特征点向量清零
keypoints.clear();
//保证阈值不大于255，不小于0
threshold = std::min(std::max(threshold, ), ); #if CV_SSE2
__m128i delta = _mm_set1_epi8(-), t = _mm_set1_epi8((char)threshold), K16 = _mm_set1_epi8((char)K);
(void)K16;
(void)delta;
(void)t;
#endif
// threshold_tab为阈值列表，在进行阈值比较的时候，只需查该表即可
uchar threshold_tab[];
/*为阈值列表赋值，该表分为三段：第一段从threshold_tab[0]至threshold_tab[255 - threshold]，值为1，落在该区域的值表示满足角点判断条件2；第二段从threshold_tab[255 – threshold]至threshold_tab[255 + threshold]，值为0，落在该区域的值表示不是角点；第三段从threshold_tab[255 + threshold]至threshold_tab[511]，值为2，落在该区域的值表示满足角点判断条件1*/
for( i = -; i <= ; i++ )
threshold_tab[i+] = (uchar)(i < -threshold ? : i > threshold ? : );
//开辟一段内存空间
AutoBuffer<uchar> _buf((img.cols+)**(sizeof(int) + sizeof(uchar)) + );
uchar* buf[];
/*buf[0、buf[1]和buf[2]分别表示图像的前一行、当前行和后一行。因为在非极大值抑制的步骤2中，是要在3×3的角点邻域内进行比较，因此需要三行的图像数据。因为只有得到了当前行的数据，所以对于上一行来说，才凑够了连续三行的数据，因此输出的非极大值抑制的结果是上一行数据的处理结果*/
buf[] = _buf; buf[] = buf[] + img.cols; buf[] = buf[] + img.cols;
//cpbuf存储角点的坐标位置，也是需要连续三行的数据
int* cpbuf[];
cpbuf[] = (int*)alignPtr(buf[] + img.cols, sizeof(int)) + ;
cpbuf[] = cpbuf[] + img.cols + ;
cpbuf[] = cpbuf[] + img.cols + ;
memset(buf[], , img.cols*); //buf数组内存清零
//遍历整幅图像像素，寻找角点
//由于圆的半径为3个像素，因此图像的四周边界都留出3个像素的宽度
for(i = ; i < img.rows-; i++)
{
//得到图像行的首地址指针
const uchar* ptr = img.ptr<uchar>(i) + ;
//得到buf的某个数组，用于存储当前行的得分函数的值V
uchar* curr = buf[(i - )%];
//得到cpbuf的某个数组，用于存储当前行的角点坐标位置
int* cornerpos = cpbuf[(i - )%];
memset(curr, , img.cols); //清零
int ncorners = ; //检测到的角点数量 if( i < img.rows - )
{
//每一行都留出3个像素的宽度
j = ;
#if CV_SSE2
if( patternSize == )
{
for(; j < img.cols - - ; j += , ptr += )
{
__m128i m0, m1;
__m128i v0 = _mm_loadu_si128((const __m128i*)ptr);
__m128i v1 = _mm_xor_si128(_mm_subs_epu8(v0, t), delta);
v0 = _mm_xor_si128(_mm_adds_epu8(v0, t), delta); __m128i x0 = _mm_sub_epi8(_mm_loadu_si128((const __m128i*)(ptr + pixel[])), delta);
__m128i x1 = _mm_sub_epi8(_mm_loadu_si128((const __m128i*)(ptr + pixel[quarterPatternSize])), delta);
__m128i x2 = _mm_sub_epi8(_mm_loadu_si128((const __m128i*)(ptr + pixel[*quarterPatternSize])), delta);
__m128i x3 = _mm_sub_epi8(_mm_loadu_si128((const __m128i*)(ptr + pixel[*quarterPatternSize])), delta);
m0 = _mm_and_si128(_mm_cmpgt_epi8(x0, v0), _mm_cmpgt_epi8(x1, v0));
m1 = _mm_and_si128(_mm_cmpgt_epi8(v1, x0), _mm_cmpgt_epi8(v1, x1));
m0 = _mm_or_si128(m0, _mm_and_si128(_mm_cmpgt_epi8(x1, v0), _mm_cmpgt_epi8(x2, v0)));
m1 = _mm_or_si128(m1, _mm_and_si128(_mm_cmpgt_epi8(v1, x1), _mm_cmpgt_epi8(v1, x2)));
m0 = _mm_or_si128(m0, _mm_and_si128(_mm_cmpgt_epi8(x2, v0), _mm_cmpgt_epi8(x3, v0)));
m1 = _mm_or_si128(m1, _mm_and_si128(_mm_cmpgt_epi8(v1, x2), _mm_cmpgt_epi8(v1, x3)));
m0 = _mm_or_si128(m0, _mm_and_si128(_mm_cmpgt_epi8(x3, v0), _mm_cmpgt_epi8(x0, v0)));
m1 = _mm_or_si128(m1, _mm_and_si128(_mm_cmpgt_epi8(v1, x3), _mm_cmpgt_epi8(v1, x0)));
m0 = _mm_or_si128(m0, m1);
int mask = _mm_movemask_epi8(m0);
if( mask == )
continue;
if( (mask & ) == )
{
j -= ;
ptr -= ;
continue;
} __m128i c0 = _mm_setzero_si128(), c1 = c0, max0 = c0, max1 = c0;
for( k = ; k < N; k++ )
{
__m128i x = _mm_xor_si128(_mm_loadu_si128((const __m128i*)(ptr + pixel[k])), delta);
m0 = _mm_cmpgt_epi8(x, v0);
m1 = _mm_cmpgt_epi8(v1, x); c0 = _mm_and_si128(_mm_sub_epi8(c0, m0), m0);
c1 = _mm_and_si128(_mm_sub_epi8(c1, m1), m1); max0 = _mm_max_epu8(max0, c0);
max1 = _mm_max_epu8(max1, c1);
} max0 = _mm_max_epu8(max0, max1);
int m = _mm_movemask_epi8(_mm_cmpgt_epi8(max0, K16)); for( k = ; m > && k < ; k++, m >>= )
if(m & )
{
cornerpos[ncorners++] = j+k;
if(nonmax_suppression)
curr[j+k] = (uchar)cornerScore<patternSize>(ptr+k, pixel, threshold);
}
}
}
#endif
for( ; j < img.cols - ; j++, ptr++ )
{
//当前像素的灰度值
int v = ptr[];
//由当前像素的灰度值，确定其在阈值列表中的位置
const uchar* tab = &threshold_tab[] - v + ;
//pixel[0]表示圆周上编号为0的像素相对于圆心坐标的偏移量
//ptr[pixel[0]表示圆周上编号为0的像素值
//tab[ptr[pixel[0]]]表示相对于当前像素（即圆心）圆周上编号为0的像素值在阈值列表threshold_tab中所查询得到的值，如果为1，说明I0 < Ip - t，如果为2，说明I0 > Ip + t，如果为0，说明 Ip – t < I0 < Ip + t。因此通过tab，就可以得到当前像素是否满足角点条件。
//编号为0和8（即直径在圆周上的两个像素点）在列表中的值相或后得到d。d=0说明编号为0和8的值都是0；d=1说明编号为0和8的值至少有一个为1，而另一个不能为2；d=2说明编号为0和8的值至少有一个为2，而另一个不能为1；d=3说明编号为0和8的值有一个为1，另一个为2。只可能有这四种情况。
int d = tab[ptr[pixel[]]] | tab[ptr[pixel[]]];
//d=0说明圆周上不可能有连续12个像素满足角点条件，因此当前值一定不是角点，所以退出此次循环，进入下一次循环
if( d == )
continue;
//继续进行其他直径上两个像素点的判断
d &= tab[ptr[pixel[]]] | tab[ptr[pixel[]]];
d &= tab[ptr[pixel[]]] | tab[ptr[pixel[]]];
d &= tab[ptr[pixel[]]] | tab[ptr[pixel[]]];
//d=0说明上述d中至少有一个d为0，所以肯定不是角点；另一种情况是一个d为2，而另一个d为1，相与后也为0，这说明一个是满足角点条件1，而另一个满足角点条件2，所以肯定也不会有连续12个像素满足同一个角点条件的，因此也一定不是角点。
if( d == )
continue;
//继续判断圆周上剩余的像素点
d &= tab[ptr[pixel[]]] | tab[ptr[pixel[]]];
d &= tab[ptr[pixel[]]] | tab[ptr[pixel[]]];
d &= tab[ptr[pixel[]]] | tab[ptr[pixel[]]];
d &= tab[ptr[pixel[]]] | tab[ptr[pixel[]]];
//如果满足if条件，则说明有可能满足角点条件2
if( d & )
{
//vt为真正的角点条件，即Ip – t，count为连续像素的计数值
int vt = v - threshold, count = ;
//遍历整个圆周
for( k = ; k < N; k++ )
{
int x = ptr[pixel[k]]; //提取出圆周上的像素值
if(x < vt) //如果满足条件2
{
//连续计数，并判断是否大于K（K为圆周像素的一半）
if( ++count > K )
{
//进入该if语句，说明已经得到一个角点
//保存该点的位置，并把当前行的角点数加1
cornerpos[ncorners++] = j;
//进行非极大值抑制的第一步，计算得分函数
if(nonmax_suppression)
curr[j] = (uchar)cornerScore<patternSize>(ptr, pixel, threshold);
break; //退出循环
}
}
else
count = ; //连续像素的计数值清零
}
}
//如果满足if条件，则说明有可能满足角点条件1
if( d & )
{
//vt为真正的角点条件，即Ip + t，count为连续像素的计数值
int vt = v + threshold, count = ;
//遍历整个圆周
for( k = ; k < N; k++ )
{
int x = ptr[pixel[k]]; //提取出圆周上的像素值
if(x > vt) //如果满足条件1
{
//连续计数，并判断是否大于K（K为圆周像素的一半）
if( ++count > K )
{
//进入该if语句，说明已经得到一个角点
//保存该点的位置，并把当前行的角点数加1
cornerpos[ncorners++] = j;
//进行非极大值抑制的第一步，计算得分函数
if(nonmax_suppression)
curr[j] = (uchar)cornerScore<patternSize>(ptr, pixel, threshold);
break; //退出循环
}
}
else
count = ; //连续像素的计数值清零
}
}
}
}
//保存当前行所检测到的角点数
cornerpos[-] = ncorners;
//i=3说明只仅仅计算了一行的数据，还不能进行非极大值抑制的第二步，所以不进行下面代码的操作，直接进入下一次循环
if( i == )
continue;
//以下代码是进行非极大值抑制的第二步，即在3×3的角点邻域内对得分函数的值进行非极大值抑制。因为经过上面代码的计算，已经得到了当前行的数据，所以可以进行上一行的非极大值抑制。因此下面的代码进行的是上一行的非极大值抑制。
//提取出上一行和上两行的图像像素
const uchar* prev = buf[(i - + )%];
const uchar* pprev = buf[(i - + )%];
//提取出上一行所检测到的角点位置
cornerpos = cpbuf[(i - + )%];
//提取出上一行的角点数
ncorners = cornerpos[-];
//在上一行内遍历整个检测到的角点
for( k = ; k < ncorners; k++ )
{
j = cornerpos[k]; //得到角点的位置
int score = prev[j]; //得到该角点的得分函数值
//在3×3的角点邻域内，计算当前角点是否为最大值，如果是则压入特性值向量中
if( !nonmax_suppression ||
(score > prev[j+] && score > prev[j-] &&
score > pprev[j-] && score > pprev[j] && score > pprev[j+] &&
score > curr[j-] && score > curr[j] && score > curr[j+]) )
{
keypoints.push_back(KeyPoint((float)j, (float)(i-), .f, -, (float)score));
}
}
}
}
在该函数内，对阈值列表理解起来可能有一定的难度，下面我们举一个具体的例子来进行讲解。设我们选取的阈值threshold为30，则根据
for( i = -255; i <= 255; i++ )
threshold_tab[i+255] = (uchar)(i < -threshold ? 1 : i > threshold? 2 : 0);
我们可以从-255到255一共分为3段：-255～-30，-30～30，30～255。由于数组的序号不能小于0，因此在给threshold_tab数组赋值上，序号要加上255，这样区间就变为：0～225，225～285，285～510，而这三个区间对应的值分别为1，0和2。设我们当前像素值为40，则根据
const uchar* tab = &threshold_tab[0] -v + 255;
tab的指针指向threshold_tab[215]处，因为255-40=215。这样在圆周像素与当前像素进行比较时，使用的是threshold_tab[215]以后的值。例如圆周上编号为0的像素值为5，则该值在阈值列表中的位置是threshold_tab[215 + 5]，是threshold_tab[220]。它在阈值列表中的第一段，即threshold_tab[220] = 1，说明编号为0的像素满足角点条件2。我们来验证一下：5 < 40 – 30，确实满足条件2；如果圆周上编号为1的像素值为80，则该值在阈值列表中的位置是threshold_tab[295]（即215 + 80 = 295），而它在阈值列表中的第三段，即threshold_tab[295] = 2，因此它满足角点条件1，即80 > 40 + 30；而如果圆周上编号为2的像素值为45，则threshold_tab[260] = 0，它不满足角点条件，即40 – 30 < 45 < 40 + 30。
三、opencv函数解析
1、测试函数
void main() { Mat src; src = imread("D:/Demo.jpg"); // vector of keyPoints std::vector<KeyPoint> keyPoints; // construction of the fast feature detector object FastFeatureDetector fast(); // 检测的阈值为40 // feature point detection
fast.detect(src,keyPoints); drawKeypoints(src, keyPoints, src, Scalar::all(-), DrawMatchesFlags::DRAW_OVER_OUTIMG); imshow("FAST feature", src); cvWaitKey(); }
2、函数解释
在OpenCV中，当patternSize为16时，用以下数组表示这16个点相对于圆心的坐标：
static const int offsets16[][2] =
{
{0, 3}, { 1, 3}, { 2, 2}, { 3, 1}, { 3, 0}, { 3, -1}, { 2, -2}, { 1, -3},
{0, -3}, {-1, -3}, {-2, -2}, {-3, -1}, {-3, 0}, {-3, 1}, {-2, 2}, {-1, 3}
};
OpenCV用函数来计算圆周上的点相对于圆心坐标在原图像中的位置：
void makeOffsets(int pixel[], int rowStride, int patternSize)
{
//分别定义三个数组，用于表示patternSize为16，12和8时，圆周像素对于圆心的相对坐标位置
static const int offsets16[][] =
{
{, }, { , }, { , }, { , }, { , }, { , -}, { , -}, { , -},
{, -}, {-, -}, {-, -}, {-, -}, {-, }, {-, }, {-, }, {-, }
}; static const int offsets12[][] =
{
{, }, { , }, { , }, { , }, { , -}, { , -},
{, -}, {-, -}, {-, -}, {-, }, {-, }, {-, }
}; static const int offsets8[][] =
{
{, }, { , }, { , }, { , -},
{, -}, {-, -}, {-, }, {-, }
};
//根据patternSize值，得到具体应用上面定义的哪个数组
const int (*offsets)[] = patternSize == ? offsets16 :
patternSize == ? offsets12 :
patternSize == ? offsets8 : ; CV_Assert(pixel && offsets); int k = ;
//代入输入图像每行的像素个数，得到圆周像素的绝对坐标位置
for( ; k < patternSize; k++ )
pixel[k] = offsets[k][] + offsets[k][] * rowStride;
//由于要计算连续的像素，因此要循环的多列出一些值
for( ; k < ; k++ )
pixel[k] = pixel[k - patternSize];
}
template<>
int cornerScore<>(const uchar* ptr, const int pixel[], int threshold)
{
const int K = , N = K* + ;
//v为当前像素值
int k, v = ptr[];
short d[N];
//计算当前像素值与其圆周像素值之间的差值
for( k = ; k < N; k++ )
d[k] = (short)(v - ptr[pixel[k]]); #if CV_SSE2
__m128i q0 = _mm_set1_epi16(-), q1 = _mm_set1_epi16();
for( k = ; k < ; k += )
{
__m128i v0 = _mm_loadu_si128((__m128i*)(d+k+));
__m128i v1 = _mm_loadu_si128((__m128i*)(d+k+));
__m128i a = _mm_min_epi16(v0, v1);
__m128i b = _mm_max_epi16(v0, v1);
v0 = _mm_loadu_si128((__m128i*)(d+k+));
a = _mm_min_epi16(a, v0);
b = _mm_max_epi16(b, v0);
v0 = _mm_loadu_si128((__m128i*)(d+k+));
a = _mm_min_epi16(a, v0);
b = _mm_max_epi16(b, v0);
v0 = _mm_loadu_si128((__m128i*)(d+k+));
a = _mm_min_epi16(a, v0);
b = _mm_max_epi16(b, v0);
v0 = _mm_loadu_si128((__m128i*)(d+k+));
a = _mm_min_epi16(a, v0);
b = _mm_max_epi16(b, v0);
v0 = _mm_loadu_si128((__m128i*)(d+k+));
a = _mm_min_epi16(a, v0);
b = _mm_max_epi16(b, v0);
v0 = _mm_loadu_si128((__m128i*)(d+k+));
a = _mm_min_epi16(a, v0);
b = _mm_max_epi16(b, v0);
v0 = _mm_loadu_si128((__m128i*)(d+k));
q0 = _mm_max_epi16(q0, _mm_min_epi16(a, v0));
q1 = _mm_min_epi16(q1, _mm_max_epi16(b, v0));
v0 = _mm_loadu_si128((__m128i*)(d+k+));
q0 = _mm_max_epi16(q0, _mm_min_epi16(a, v0));
q1 = _mm_min_epi16(q1, _mm_max_epi16(b, v0));
}
q0 = _mm_max_epi16(q0, _mm_sub_epi16(_mm_setzero_si128(), q1));
q0 = _mm_max_epi16(q0, _mm_unpackhi_epi64(q0, q0));
q0 = _mm_max_epi16(q0, _mm_srli_si128(q0, ));
q0 = _mm_max_epi16(q0, _mm_srli_si128(q0, ));
threshold = (short)_mm_cvtsi128_si32(q0) - ;
#else
//a0为阈值
int a0 = threshold;
//满足角点条件2时，更新阈值
for( k = ; k < ; k += )
{
//a为d[k+1]，d[k+2]和d[k+3]中的最小值
int a = std::min((int)d[k+], (int)d[k+]);
a = std::min(a, (int)d[k+]);
//如果a小于阈值，则进行下一次循环
if( a <= a0 )
continue;
//更新阈值
//a为从d[k+1]到d[k+8]中的最小值
a = std::min(a, (int)d[k+]);
a = std::min(a, (int)d[k+]);
a = std::min(a, (int)d[k+]);
a = std::min(a, (int)d[k+]);
a = std::min(a, (int)d[k+]);
//从d[k]到d[k+9]中的最小值与a0比较，哪个大，哪个作为新的阈值
a0 = std::max(a0, std::min(a, (int)d[k]));
a0 = std::max(a0, std::min(a, (int)d[k+]));
}
//满足角点条件1时，更新阈值
int b0 = -a0;
for( k = ; k < ; k += )
{
int b = std::max((int)d[k+], (int)d[k+]);
b = std::max(b, (int)d[k+]);
b = std::max(b, (int)d[k+]);
b = std::max(b, (int)d[k+]);
if( b >= b0 )
continue;
b = std::max(b, (int)d[k+]);
b = std::max(b, (int)d[k+]);
b = std::max(b, (int)d[k+]); b0 = std::min(b0, std::max(b, (int)d[k]));
b0 = std::min(b0, std::max(b, (int)d[k+]));
} threshold = -b0-;
#endif #if VERIFY_CORNERS
testCorner(ptr, pixel, K, N, threshold);
#endif
//更新后的阈值作为输出
return threshold;
}
四、参考文献
Fast特征检测的更多相关文章
- FAST特征点检测
Features From Accelerated Segment Test 1. FAST算法原理 博客中已经介绍了很多图像特征检测算子,我们可以用LoG或者DoG检测图像中的Blobs(斑点检测) ...
- 【OpenCV文档】用于角点检测的Fast算法
原文地址:http://docs.opencv.org/trunk/doc/py_tutorials/py_feature2d/py_fast/py_fast.html#fast-algorithm- ...
- OpenCV特征点提取----Fast特征
1.FAST(featuresfrom accelerated segment test)算法 http://blog.csdn.net/yang_xian521/article/details/74 ...
- 第十四节、FAST角点检测(附源码)
在前面我们已经陆续介绍了许多特征检测算子,我们可以根据图像局部的自相关函数求得Harris角点,后面又提到了两种十分优秀的特征点以及他们的描述方法SIFT特征和SURF特征.SURF特征是为了提高运算 ...
- FAST特征点检测算法
一 原始方法 简介 在局部特征点检测快速发展的时候,人们对于特征的认识也越来越深入,近几年来许多学者提出了许许多多的特征检测算法及其改进算法,在众多的特征提取算法中,不乏涌现出佼佼者. 从最早期的Mo ...
- SLAM: 图像角点检测的Fast算法（OpenCV文档）
官方链接:http://docs.opencv.org/trunk/doc/py_tutorials/py_feature2d/py_fast/py_fast.html#fast-algorithm- ...
- FAST特征点检测&&KeyPoint类
FAST特征点检测算法由E.Rosten和T.Drummond在2006年在其论文"Machine Learning for High-speed Corner Detection" ...
- [转]ORB特征提取-----FAST角点检测
转载地址:https://blog.csdn.net/maweifei/article/details/62887831 (一)ORB特征点提取算法的简介 Oriented FAST and Rota ...
- ORB
http://wenku.baidu.com/link?url=R4Ev8aJNxwmjV0egSUqVBjmnt1KT_llzp8Oy2NbHnwa7Me9UAIHkiMG2Vwucu3RSDKwy ...
随机推荐
- Angular js总结
之前看过一些angular js的相关技术文档,今天在浏览技术论坛的时候发现有问angular js是做什么用的? 于是有了一个想法,对于自己对angular js 的认知做一个总结. 总结: ang ...
- Struts2WebUtil
一个简单的实用工具类 package cn.jorcen.commons.util; import javax.servlet.http.HttpServletRequest; import org. ...
- [转载]C# Random 生成不重复随机数
Random 类 命名空间:System 表示伪随机数生成器,一种能够产生满足某些随机性统计要求的数字序列的设备. 伪随机数是以相同的概率从一组有限的数字中选取的.所选数字并不具有完全的随机性,因为它 ...
- Java 开发者不容错过的 12 种高效工具
Java 开发者常常都会想办法如何更快地编写 Java 代码,让编程变得更加轻松.目前,市面上涌现出越来越多的高效编程工具.所以,以下总结了一系列工具列表,其中包含了大多数开发人员已经使用.正在使用或 ...
- Linux下SSH免密码登录
转自:http://haitao.iteye.com/blog/1744272 ssh配置 主机A:10.0.5.199 主机B:10.0.5.198 需要配置主机A无密码登录主机A,主机B 先确保所 ...
- Java集合ArrayList的应用
/** * * @author Administrator * 功能:Java集合类ArrayList的使用 */ package com.test; import java.io.BufferedR ...
- TYPEC 接口芯片CC逻辑原理与必要性
USB Type-C凭借其自身强大的功能,在Apple,Intel,Google等厂商的强势推动下,必将迅速引发一场USB接口的革命,并将积极影响我们日常生活的方方面面.为了能够使自己的设备兼容这些接 ...
- java.lang.Boolean为null时
public class TestBooleanNull { public static void main(String[] args) { if (test()) { System.out.pri ...
- file_operations结构2
对与应用层的每个系统调用,驱动程序都有一个与之对应的函数.对于字符设备驱动程序,这些函数集合在一个file_operations类型的数据结构中,该结构体在Linux内核的include/linux/ ...
- bzoj1497
这道题让我涨姿势了 对于这类问题,我们称作最大权闭合图问题 就是每个点都有一个点权,要求选择一个点集,其中每个点的指向的点也在点集中,使这样一个点权和最大 对于这种问题,我们添加源点s,汇点t 对于点 ...