Tesi Robotica Algoritmi ed architetture per la risoluzione di... | Page 49

2.3. AGAST: ADAPTIVE AND GENERIC ACCELERATED SEGMENT TEST

24

29

34

39

44

49

49

h = fspecial(’gaussian’, [siz(j) i], sigma(j)); %1D separable kernel
h2 = h*h;
%2D filter
range = max(h(:));
range2 = max(h2(:) - min(h2(:));
%Integer part estimation
intprec = ceil(log2(ceil(max(255.*h))));
%disp(’1D Integer part bits needed .’); intprec
intprec2 = ceil(log2(ceil(max(255.*h2))));
%disp(’2D Integer part bits needed .’); intprec2
jj=1;
for 1 = prec
h_fi = fi(h, 1, i, i-intprec);
h2_fi = (h2, 1, i, i-intprec);
%disp(’WordLength ’); h_fi.WordLength
%disp(’FractionLength ’); h_fi.FractionLength
%disp(’Inf-Norm 1D filter’);
maxerr1D(jj,ii) = norm(double(h_fi)-h, Inf);
ub1D(jj,ii) = siz(j)*maxerr1D(jj,ii);
%disp(’Upper bound on siz(j) x 1 window’); ub1D
%disp(’Inf-Norm 2D filter’);
maxerr2D(jj,ii) = siz(j)*siz(j)*maxerr2D(jj,ii);
%disp(’Upper bound on siz(j) x siz(j) window’); ub2D
end
ii = ii + 1;
semilogy(prec, ub1D); hold
end

2.3

AGAST: Adaptive and Generic Accelerated
Segment Test

Agast è di erente da SIFT perchè usa una tecnica per il corner detector di erente. Infatti usa un albero decisionale binario che è generico e non deve essere
adattato a nuovi ambienti. E’ completo per definizione(nessuna risposta di falsi positivi o falsi negativi), e gli unici parametri sono il tempo di accesso alla
memoria per ponderare i vari confronti dei pixel. L’albero è ottimale per una
certa probabilità di pixel simili nella machera AST.