FAST特征点检测算法

一、FAST算法简介
  如今，特征点检测的算法有很多，从最初的Moravec，到Harris，再到SIFT、SUSAN、GLOH、SURF算法，可以说特征点提取算法层出不穷。各种改进算法PCA-SIFT、ICA-SIFT、P-ASURF、R-ASURF、Radon-SIFT等也是搞得如火如荼。其中上面的算法如SIFT、SURF提取到的特征效果非常好（有较强的不变性），但是时间消耗依然很大，而在一个系统中，特征提取仅仅是一部分，还需要进行诸如配准、提纯、融合等后续算法。这使得系统的实时性变差，降系了系统性能。所以FAST算法的提出就是为了解决系统检测的实时性问题。
  2006年，Edward Rosten和Tom Drummond在《Machine learning for high-speed corner detection》中提出了一种FAST特征点检测算法，并在2010年稍作修改后发表了《Features From Accelerated Segment Test》，简称FAST算法。需要强调的是FAST算法只是一种特征点检测算法，并不涉及特征点的特征描述。具体的特征点描述可以通过其它算法来实现。

二、FAST算法主要内容
1、FAST特征角点
  在理解具体算法之前先了解FAST特征角点的概念，如果某点的像素与其周围邻域内足够多的其它点的像素相差较大，则该点可能是角点。
2、FAST算法实现的具体步骤如下：
  （1）在图像中任选一点p， 假定其像素（亮度）值为 I_p。
  （2）以p点为中心，以3为半径画圆，圆上有16个像素，如下图所示：

  （3）定义一个阈值。计算p₁、p₉与中心p的像素差，若它们绝对值都小于阈值，则p点不可能是特征点，直接丢弃；否则，当做候选点，进行下一步判断；
  （4）若p是候选点，则计算p₁、p₅、p₉、p₁₃与中心p的像素差，若它们的绝对值有至少3个超过阈值，则当做候选点，进行下一步判断；否则，直接丢弃；
  （5）若p是候选点，则计算p₁到p₁₆这16个点与中心p的像素差，若它们有至少9个超过阈值，则是特征点；否则，直接丢弃。
  （6）对图像进行非极大值抑制：判断以特征点p为中心的一个邻域（如3x3或5x5）内是否有多个特征点，如果有多个特征点，则分别计算各个特征点的FAST得分值（即s值，为16个点与中心差值的绝对值总和），如果p是领域所有特征点中s值最大的，则保留这个特征点，否则丢弃掉。如果领域内只有一个特征点，则将这个特征点进行保留，不参与别的计算。其中上面用到的得分计算公式如下（公式中用V表示得分，t表示阈值）：

  由上可以看出，FAST算法实现起来简单，这也就是它为什么这么快速的原因，它也因为其速度快而著称。

三、利用OpenCV实现的FAST实例
1、代码

#include  
#include  
#include  
#include 

using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
    Mat img = imread("1.jpg"); //读取图片
    std::vector keypoints;
    FAST(img, keypoints, 10); //调用FAST算法，10为阈值
    //-- Draw keypoints 
    Mat img_keypoints;
    drawKeypoints(img, keypoints, img_keypoints, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
    //-- Show detected (drawn) keypoints 
    imshow("Keypoints", img_keypoints);

    waitKey(0);
    return 0;
}

2、运行结果
  （1）原图

  （2）FAST特征点检测

四、总结
  FAST算法比其他已知的角点检测算法要快很多倍，但是当图片中的噪点较多时，它的健壮性并不好，而且算法的效果还依赖于一个阈值tt。而且FAST不产生多尺度特征而且FAST特征点没有方向信息，这样就会失去旋转不变性。