Ознаки з прискореної сегментної перевірки (англ. features from accelerated segment test, FAST) — це метод виявляння кутів, який можливо використовувати для виділяння точок ознак й наступного відстежування та відображування об'єктів у багатьох задачах комп'ютерного бачення. Виявляч кутів FAST первинно розробили Едвард Ростен та Том Драммонд, й опублікували 2006 року. Найбільш багатообіцяючою перевагою виявляча кутів FAST є його обчислювальна ефективність. Відповідно до його назви, він справді швидший за багато інших добре відомих методів виділяння ознак, таких як різниця гауссіанів (РГ, англ. DoG), яку використовують виявлячі SIFT, SUSAN та Гарріса. Крім того, при застосуванні методик машинного навчання можливо досягати чудової продуктивності з погляду часу та ресурсів обчислень. Завдяки ній виявляч кутів FAST дуже добре підходить для обробки відео в реальному часі.
Виявляч сегментною перевіркою
Виявляч кутів FAST використовує коло з 16 пікселів (коло Брезенгема радіусу 3), щоби класифікувати, чи насправді потенційна точка p це кут. Кожен піксель у колі позначено цілим числом з 1 по 16 за годинниковою стрілкою. Якщо набір із N суміжних пікселів у колі весь яскравіший за яскравість пікселя-кандидата p (позначену через Ip) плюс порогове значення t, або весь темніший за яскравість пікселя-кандидата p мінус порогове значення t, то p класифікують як кут. Ці умови можливо записати так:
- Умова 1: набір з N суміжних пікселів S, , яскравість x > Ip + поріг, або
- Умова 2: набір з N суміжних пікселів S, ,
Тож коли виконано будь-яку з цих двох умов, кандидата p можливо класифікувати як кут. Існує проблема компромісу вибору N, кількості суміжних пікселів, та порогового значення t. З одного боку, кількість виявлених кутових точок не повинна бути надто великою, з іншого боку, високої продуктивності не слід досягати, жертвуючи ефективністю обчислення. Без вдосконалення машинним навчанням N зазвичай обирають як 12. Для виключення некутових точок можливо застосовувати метод високошвидкісної перевірки.
Високошвидкісна перевірка
Високошвидкісну перевірку для відкидання некутових точок виконують розглядом 4 зразкових пікселів, а саме пікселів 1, 9, 5 та 13. Оскільки має бути принаймні 12 послідовних пікселів, чи яскравіших, чи темніших за можливий кут, то має бути принаймні 3 пікселі з цих 4 зразкових пікселів, яскравіших чи темніших за можливий кут. Спочатку перевіряють пікселі 1 та 9, якщо і I1, і I9 перебувають у межах [Ip − t, Ip + t], то кандидат p — не кут. В іншому випадку додатково дивляться пікселі 5 та 13, щоби перевірити, чи три з них яскравіші за Ip + t або темніші за Ip − t. Якщо існує 3 з них, яскравіших або темніших, для остаточного висновку перевіряють решту пікселів. І, згідно з винахідником у його першій статті, для перевірки кандидата в кутові пікселі в середньому потрібно 3,8 пікселя. Порівняно з 8,5 пікселів для кожного можливого кута, 3,8 — це справді велике зменшення, здатне значно покращити продуктивність.
Проте цей метод перевірки має кілька недоліків:
- Цю високошвидкісну перевірку неможливо добре узагальнити для N < 12. Якщо N < 12, то можливо, що кандидат p — кут, але лише 2 з 4 зразкових перевірних пікселів обидва яскравіші за Ip + t чи темніші за Ip − t.
- Ефективність цього виявляча залежить від вибору та порядку цих обраних перевірних пікселів. Проте малоймовірно, що обрані пікселі оптимальні, що викликає занепокоєння щодо розподілу траплянь кутів.
- Виявляються по декілька ознак поруч одна з одною
Покращення машинним навчанням
Щоб усунути перші дві слабкі сторони високошвидкісної перевірки, для допомогти в покращенні алгоритму виявляння запроваджено підхід машинного навчання. Він працює в два етапи. По-перше, виконують виявляння кутів із заданим N на наборі тренувальних зображень, бажано з цільової області застосування. Кути виявляють за допомогою найпростішого втілення, яке буквально виділяє кільце з 16 пікселів та порівнює значення яскравості з відповідним порогом.
Для кандидата p кожне місце на колі x ∈ {1, 2, 3, …, 16} можливо позначити через p→x. Стан кожного пікселя Sp→x мусить бути одним із трьох наступних:
- d, Ip→x ≤ Ip − t (темніший, англ. darker)
- s, Ip − t ≤ Ip→x ≤ Ip + t (подібний, англ. similar)
- b, Ip→x ≥ Ip + t (світліший, англ. brighter)
Потім обрання x (однакового для всіх p) розбиває P (множину всіх пікселів усіх тренувальних зображень) на 3 різні підмножини, Pd, Ps, Pb, де
- Pd = {p ∈ P : Sp→x = d }
- Ps = {p ∈ P : Sp→x = s }
- Pb = {p ∈ P : Sp→x = b }
По-друге, до цих 16 місць застосовують один з алгоритмів дерев рішень, ID3, щоби досягти максимального приросту інформації. Нехай Kp — булева змінна, яка вказує, чи p — кут, тоді ентропію Kp використовують для вимірювання інформації того, що p — кут. Для набору пікселів Q повна (не нормована) ентропія KQ дорівнює
- H(Q) = (c + n) log2(c + n) − c log2 c − n log2 n
- де c = |{ i ∈ Q: Ki істинна}| (кількість кутів)
- де n = |{ i ∈ Q: Ki хибна}| (кількість не кутів)
Тоді приріст інформації можливо подати як
- Hg = H(P) − H(Pb) − H(Ps) − H(Pd)
До кожної з підмножин застосовують рекурсивний процес, обираючи наступний x, який міг би максимізувати приріст інформації. Наприклад, спочатку x обирають для розбиття P на Pd, Ps, Pb з найбільшою кількістю інформації; тоді для кожної з підмножин Pd, Ps, Pb обирають інший y, щоб отримати найбільший приріст інформації (зауважте, що y може бути таким же, як x). Цей рекурсивний процес завершують тоді, коли ентропія стає нульовою, так, що або всі пікселі в цій підмножині кути, або не кути.
Це породжене дерево рішень можливо потім перетворити на програмний код, такий як C чи , що є просто набором вкладених операторів if—else. З метою оптимізації для компілювання коду використовують [en]. Відповідний код пізніше використовують як виявляч кутів для інших зображень.
Зауважте, що кути, виявляні за допомогою цього алгоритму дерева рішень, повинні дещо відрізнятися від результатів, отримуваних за допомогою виявляча сегментною перевіркою. Це тому, що модель дерева рішень залежить від тренувальних даних, які не можуть охоплювати всі можливі кути.
Пригнічування немаксимумів
«Оскільки сегментна перевірка не обчислює функцію кутового відгуку, застосовувати безпосередньо до отримуваних в результаті ознак неможливо». Проте, якщо N незмінна, то для кожного пікселя p кутову вираженість визначають як максимальне значення t, яке робить p кутом. Тож можливо використовувати два підходи:
- Можливо застосовувати алгоритм бінарного пошуку, щоби знаходити найбільший t, для якого p все ще кут. Тож для алгоритму дерева рішень встановлюють щоразу інший t. Коли йому вдається знайти найбільший t, цей t можливо розглядати як вираженість кута.
- Інший підхід — ітераційна схема, в якій t щоразу збільшують до найменшого значення, яке проходить перевірку.
FAST-ER: покращена повторюваність
Виявляч FAST-ER (від англ. enhanced repeatability, покращена повторюваність) — вдосконалений виявляч FAST із використанням метаевристичного алгоритму, в цьому випадку — імітації відпалу. Щоби після цієї оптимізації структура дерева рішень була оптимізованою та придатною для точок з високою повторюваністю. Проте, оскільки імітація відпалу — алгоритм метаевристичний, він щоразу породжуватиме інакше оптимізоване дерево рішень. Отже, щоби знаходити рішення, близькі до справді оптимальних, краще проводити ефективно велику кількість ітерацій. За словами Ростена, на оптимізацію виявляча FAST йде близько 200 годин на Pentium 4 на 3 ГГц, що становить 100 повторень 100 000 ітерацій.
Порівняння з іншими виявлячами
У дослідженні Ростена виявлячі FAST і FAST-ER оцінено на кількох різних наборах даних і порівняно з виявлячами кутів РГ, Гарріса, Гарріса — Лапласа, Сі — Томазі та SUSAN.
Налаштування параметрів для виявлячів (крім FAST) наступні:
Виявляч | Параметр налаштування | Значення |
---|---|---|
РГ | ||
Масштабів на октаву | 3 | |
Початкове розмиття σ | 0,8 | |
Октави | 4 | |
SUSAN | Поріг відстані | 4,0 |
Гарріса, Сі — Томазі | Розмиття σ | 2,5 |
Гарріса — Лапласа | Початкове розмиття σ | 0,8 |
Гаррісове розмиття | 3 | |
Октави | 4 | |
Масштабів на октаву | 10 | |
Загальні параметри | ε | 5 пікселів |
- Результат перевірки повторюваності подано як усереднену площу під кривими повторюваності для 0—2000 кутів на кадр для всіх наборів даних (за винятком додаткового шуму):
Виявляч | A |
---|---|
FAST-ER | 1313,6 |
FAST-9 | 1304,57 |
РГ | 1275,59 |
Сі — Томазі | 1219,08 |
Гарріса | 1195,2 |
Гарріса — Лапласа | 1153,13 |
FAST-12 | 1121,53 |
SUSAN | 1116,79 |
Випадковий | 271,73 |
- Перевірки швидкості проводили на комп'ютері Pentium 4-D 3.0 ГГц. Набір даних розділено на тренувальний та перевірний набори. Тренувальний набір складається зі 101 монохромного зображення з роздільністю 992×668 пікселів. Перевірний набір складається з 4968 кадрів монохромного відео 352×288. І результат:
Виявляч | Піксельна швидкість на тренувальному наборі | Піксельна швидкість на перевірному наборі |
---|---|---|
FAST n=9 | 188 | 179 |
FAST n=12 | 158 | 154 |
Первинний FAST n=12 | 79 | 82,2 |
FAST-ER | 75,4 | 67,5 |
SUSAN | 12,3 | 13,6 |
Гарріса | 8,05 | 7,90 |
Сі — Томазі | 6,50 | 6,50 |
РГ | 4,72 | 5,10 |
Примітки
- Rosten, Edward; Drummond, Tom (2006). Machine Learning for High-speed Corner Detection. Computer Vision – ECCV 2006. Lecture Notes in Computer Science. Т. 3951. с. 430—443. doi:10.1007/11744023_34. ISBN . S2CID 1388140. (англ.)
- Edward Rosten, Real-time Video Annotations for Augmented Reality (англ.)
- Edward Rosten, FASTER and better: A machine learning approach to corner detection (англ.)
Джерела
- Rosten, Edward; Tom Drummond (2005). Fusing points and lines for high performance tracking (PDF). Т. 2. с. 1508—1511. CiteSeerX 10.1.1.60.4715. doi:10.1109/ICCV.2005.104. ISBN .
{{}}
: Проігноровано|journal=
() (англ.) - Rosten, Edward; Reid Porter; Tom Drummond (2010). FASTER and better: A machine learning approach to corner detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 32 (1): 105—119. arXiv:0810.2434. doi:10.1109/TPAMI.2008.275. PMID 19926902. (англ.)
- Rosten, Edward; Tom Drummond (2006). Machine learning for high-speed corner detection (PDF). Lecture Notes in Computer Science. Т. 1. с. 430—443. CiteSeerX 10.1.1.64.8513. doi:10.1007/11744023_34. ISBN .
{{}}
: Проігноровано|journal=
() (англ.)
Посилання
- Домашня сторінка Advanced Vision (англ.)
Вікіпедія, Українська, Україна, книга, книги, бібліотека, стаття, читати, завантажити, безкоштовно, безкоштовно завантажити, mp3, відео, mp4, 3gp, jpg, jpeg, gif, png, малюнок, музика, пісня, фільм, книга, гра, ігри, мобільний, телефон, android, ios, apple, мобільний телефон, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, ПК, web, Інтернет
Oznaki z priskorenoyi segmentnoyi perevirki angl features from accelerated segment test FAST ce metod viyavlyannya kutiv yakij mozhlivo vikoristovuvati dlya vidilyannya tochok oznak j nastupnogo vidstezhuvannya ta vidobrazhuvannya ob yektiv u bagatoh zadachah komp yuternogo bachennya Viyavlyach kutiv FAST pervinno rozrobili Edvard Rosten ta Tom Drammond j opublikuvali 2006 roku Najbilsh bagatoobicyayuchoyu perevagoyu viyavlyacha kutiv FAST ye jogo obchislyuvalna efektivnist Vidpovidno do jogo nazvi vin spravdi shvidshij za bagato inshih dobre vidomih metodiv vidilyannya oznak takih yak riznicya gaussianiv RG angl DoG yaku vikoristovuyut viyavlyachi SIFT SUSAN ta Garrisa Krim togo pri zastosuvanni metodik mashinnogo navchannya mozhlivo dosyagati chudovoyi produktivnosti z poglyadu chasu ta resursiv obchislen Zavdyaki nij viyavlyach kutiv FAST duzhe dobre pidhodit dlya obrobki video v realnomu chasi Viyavlyach segmentnoyu perevirkoyuPikseli yaki vikoristovuye viyavlyach kutiv FAST Viyavlyach kutiv FAST vikoristovuye kolo z 16 pikseliv kolo Brezengema radiusu 3 shobi klasifikuvati chi naspravdi potencijna tochka p ce kut Kozhen piksel u koli poznacheno cilim chislom z 1 po 16 za godinnikovoyu strilkoyu Yaksho nabir iz N sumizhnih pikseliv u koli ves yaskravishij za yaskravist pikselya kandidata p poznachenu cherez Ip plyus porogove znachennya t abo ves temnishij za yaskravist pikselya kandidata p minus porogove znachennya t to p klasifikuyut yak kut Ci umovi mozhlivo zapisati tak Umova 1 nabir z N sumizhnih pikseliv S x S displaystyle forall x in S yaskravist x gt Ip porig abo I x gt I p t displaystyle I x gt I p t Umova 2 nabir z N sumizhnih pikseliv S x S displaystyle forall x in S I x lt I p t displaystyle I x lt I p t Tozh koli vikonano bud yaku z cih dvoh umov kandidata p mozhlivo klasifikuvati yak kut Isnuye problema kompromisu viboru N kilkosti sumizhnih pikseliv ta porogovogo znachennya t Z odnogo boku kilkist viyavlenih kutovih tochok ne povinna buti nadto velikoyu z inshogo boku visokoyi produktivnosti ne slid dosyagati zhertvuyuchi efektivnistyu obchislennya Bez vdoskonalennya mashinnim navchannyam N zazvichaj obirayut yak 12 Dlya viklyuchennya nekutovih tochok mozhlivo zastosovuvati metod visokoshvidkisnoyi perevirki Visokoshvidkisna perevirkaVisokoshvidkisnu perevirku dlya vidkidannya nekutovih tochok vikonuyut rozglyadom 4 zrazkovih pikseliv a same pikseliv 1 9 5 ta 13 Oskilki maye buti prinajmni 12 poslidovnih pikseliv chi yaskravishih chi temnishih za mozhlivij kut to maye buti prinajmni 3 pikseli z cih 4 zrazkovih pikseliv yaskravishih chi temnishih za mozhlivij kut Spochatku pereviryayut pikseli 1 ta 9 yaksho i I1 i I9 perebuvayut u mezhah Ip t Ip t to kandidat p ne kut V inshomu vipadku dodatkovo divlyatsya pikseli 5 ta 13 shobi pereviriti chi tri z nih yaskravishi za Ip t abo temnishi za Ip t Yaksho isnuye 3 z nih yaskravishih abo temnishih dlya ostatochnogo visnovku pereviryayut reshtu pikseliv I zgidno z vinahidnikom u jogo pershij statti dlya perevirki kandidata v kutovi pikseli v serednomu potribno 3 8 pikselya Porivnyano z 8 5 pikseliv dlya kozhnogo mozhlivogo kuta 3 8 ce spravdi velike zmenshennya zdatne znachno pokrashiti produktivnist Prote cej metod perevirki maye kilka nedolikiv Cyu visokoshvidkisnu perevirku nemozhlivo dobre uzagalniti dlya N lt 12 Yaksho N lt 12 to mozhlivo sho kandidat p kut ale lishe 2 z 4 zrazkovih perevirnih pikseliv obidva yaskravishi za Ip t chi temnishi za Ip t Efektivnist cogo viyavlyacha zalezhit vid viboru ta poryadku cih obranih perevirnih pikseliv Prote malojmovirno sho obrani pikseli optimalni sho viklikaye zanepokoyennya shodo rozpodilu traplyan kutiv Viyavlyayutsya po dekilka oznak poruch odna z odnoyuPokrashennya mashinnim navchannyamShob usunuti pershi dvi slabki storoni visokoshvidkisnoyi perevirki dlya dopomogti v pokrashenni algoritmu viyavlyannya zaprovadzheno pidhid mashinnogo navchannya Vin pracyuye v dva etapi Po pershe vikonuyut viyavlyannya kutiv iz zadanim N na nabori trenuvalnih zobrazhen bazhano z cilovoyi oblasti zastosuvannya Kuti viyavlyayut za dopomogoyu najprostishogo vtilennya yake bukvalno vidilyaye kilce z 16 pikseliv ta porivnyuye znachennya yaskravosti z vidpovidnim porogom Dlya kandidata p kozhne misce na koli x 1 2 3 16 mozhlivo poznachiti cherez p x Stan kozhnogo pikselya Sp x musit buti odnim iz troh nastupnih d Ip x Ip t temnishij angl darker s Ip t Ip x Ip t podibnij angl similar b Ip x Ip t svitlishij angl brighter Potim obrannya x odnakovogo dlya vsih p rozbivaye P mnozhinu vsih pikseliv usih trenuvalnih zobrazhen na 3 rizni pidmnozhini Pd Ps Pb de Pd p P Sp x d Ps p P Sp x s Pb p P Sp x b Po druge do cih 16 misc zastosovuyut odin z algoritmiv derev rishen ID3 shobi dosyagti maksimalnogo prirostu informaciyi Nehaj Kp buleva zminna yaka vkazuye chi p kut todi entropiyu Kp vikoristovuyut dlya vimiryuvannya informaciyi togo sho p kut Dlya naboru pikseliv Q povna ne normovana entropiya KQ dorivnyuye H Q c n log2 c n c log2 c n log2 n de c i Q Ki istinna kilkist kutiv de n i Q Ki hibna kilkist ne kutiv Todi pririst informaciyi mozhlivo podati yak Hg H P H Pb H Ps H Pd Do kozhnoyi z pidmnozhin zastosovuyut rekursivnij proces obirayuchi nastupnij x yakij mig bi maksimizuvati pririst informaciyi Napriklad spochatku x obirayut dlya rozbittya P na Pd Ps Pb z najbilshoyu kilkistyu informaciyi todi dlya kozhnoyi z pidmnozhin Pd Ps Pb obirayut inshij y shob otrimati najbilshij pririst informaciyi zauvazhte sho y mozhe buti takim zhe yak x Cej rekursivnij proces zavershuyut todi koli entropiya staye nulovoyu tak sho abo vsi pikseli v cij pidmnozhini kuti abo ne kuti Ce porodzhene derevo rishen mozhlivo potim peretvoriti na programnij kod takij yak C chi C sho ye prosto naborom vkladenih operatoriv if else Z metoyu optimizaciyi dlya kompilyuvannya kodu vikoristovuyut en Vidpovidnij kod piznishe vikoristovuyut yak viyavlyach kutiv dlya inshih zobrazhen Zauvazhte sho kuti viyavlyani za dopomogoyu cogo algoritmu dereva rishen povinni desho vidriznyatisya vid rezultativ otrimuvanih za dopomogoyu viyavlyacha segmentnoyu perevirkoyu Ce tomu sho model dereva rishen zalezhit vid trenuvalnih danih yaki ne mozhut ohoplyuvati vsi mozhlivi kuti Prignichuvannya nemaksimumiv Oskilki segmentna perevirka ne obchislyuye funkciyu kutovogo vidguku zastosovuvati bezposeredno do otrimuvanih v rezultati oznak nemozhlivo Prote yaksho N nezminna to dlya kozhnogo pikselya p kutovu virazhenist viznachayut yak maksimalne znachennya t yake robit p kutom Tozh mozhlivo vikoristovuvati dva pidhodi Mozhlivo zastosovuvati algoritm binarnogo poshuku shobi znahoditi najbilshij t dlya yakogo p vse she kut Tozh dlya algoritmu dereva rishen vstanovlyuyut shorazu inshij t Koli jomu vdayetsya znajti najbilshij t cej t mozhlivo rozglyadati yak virazhenist kuta Inshij pidhid iteracijna shema v yakij t shorazu zbilshuyut do najmenshogo znachennya yake prohodit perevirku FAST ER pokrashena povtoryuvanistViyavlyach FAST ER vid angl enhanced repeatability pokrashena povtoryuvanist vdoskonalenij viyavlyach FAST iz vikoristannyam metaevristichnogo algoritmu v comu vipadku imitaciyi vidpalu Shobi pislya ciyeyi optimizaciyi struktura dereva rishen bula optimizovanoyu ta pridatnoyu dlya tochok z visokoyu povtoryuvanistyu Prote oskilki imitaciya vidpalu algoritm metaevristichnij vin shorazu porodzhuvatime inakshe optimizovane derevo rishen Otzhe shobi znahoditi rishennya blizki do spravdi optimalnih krashe provoditi efektivno veliku kilkist iteracij Za slovami Rostena na optimizaciyu viyavlyacha FAST jde blizko 200 godin na Pentium 4 na 3 GGc sho stanovit 100 povtoren 100 000 iteracij Porivnyannya z inshimi viyavlyachamiU doslidzhenni Rostena viyavlyachi FAST i FAST ER ocineno na kilkoh riznih naborah danih i porivnyano z viyavlyachami kutiv RG Garrisa Garrisa Laplasa Si Tomazi ta SUSAN Nalashtuvannya parametriv dlya viyavlyachiv krim FAST nastupni Viyavlyach Parametr nalashtuvannya Znachennya RG Masshtabiv na oktavu 3 Pochatkove rozmittya s 0 8 Oktavi 4 SUSAN Porig vidstani 4 0 Garrisa Si Tomazi Rozmittya s 2 5 Garrisa Laplasa Pochatkove rozmittya s 0 8 Garrisove rozmittya 3 Oktavi 4 Masshtabiv na oktavu 10 Zagalni parametri e 5 pikseliv Rezultat perevirki povtoryuvanosti podano yak userednenu ploshu pid krivimi povtoryuvanosti dlya 0 2000 kutiv na kadr dlya vsih naboriv danih za vinyatkom dodatkovogo shumu Viyavlyach A FAST ER 1313 6 FAST 9 1304 57 RG 1275 59 Si Tomazi 1219 08 Garrisa 1195 2 Garrisa Laplasa 1153 13 FAST 12 1121 53 SUSAN 1116 79 Vipadkovij 271 73 Perevirki shvidkosti provodili na komp yuteri Pentium 4 D 3 0 GGc Nabir danih rozdileno na trenuvalnij ta perevirnij nabori Trenuvalnij nabir skladayetsya zi 101 monohromnogo zobrazhennya z rozdilnistyu 992 668 pikseliv Perevirnij nabir skladayetsya z 4968 kadriv monohromnogo video 352 288 I rezultat Viyavlyach Pikselna shvidkist na trenuvalnomu nabori Pikselna shvidkist na perevirnomu nabori FAST n 9 188 179 FAST n 12 158 154 Pervinnij FAST n 12 79 82 2 FAST ER 75 4 67 5 SUSAN 12 3 13 6 Garrisa 8 05 7 90 Si Tomazi 6 50 6 50 RG 4 72 5 10PrimitkiRosten Edward Drummond Tom 2006 Machine Learning for High speed Corner Detection Computer Vision ECCV 2006 Lecture Notes in Computer Science T 3951 s 430 443 doi 10 1007 11744023 34 ISBN 978 3 540 33832 1 S2CID 1388140 angl Edward Rosten Real time Video Annotations for Augmented Reality angl Edward Rosten FASTER and better A machine learning approach to corner detection angl DzherelaRosten Edward Tom Drummond 2005 Fusing points and lines for high performance tracking PDF T 2 s 1508 1511 CiteSeerX 10 1 1 60 4715 doi 10 1109 ICCV 2005 104 ISBN 978 0 7695 2334 7 a href wiki D0 A8 D0 B0 D0 B1 D0 BB D0 BE D0 BD Cite book title Shablon Cite book cite book a Proignorovano journal dovidka angl Rosten Edward Reid Porter Tom Drummond 2010 FASTER and better A machine learning approach to corner detection IEEE Transactions on Pattern Analysis and Machine Intelligence 32 1 105 119 arXiv 0810 2434 doi 10 1109 TPAMI 2008 275 PMID 19926902 angl Rosten Edward Tom Drummond 2006 Machine learning for high speed corner detection PDF Lecture Notes in Computer Science T 1 s 430 443 CiteSeerX 10 1 1 64 8513 doi 10 1007 11744023 34 ISBN 978 3 540 33832 1 a href wiki D0 A8 D0 B0 D0 B1 D0 BB D0 BE D0 BD Cite book title Shablon Cite book cite book a Proignorovano journal dovidka angl PosilannyaDomashnya storinka Advanced Vision angl