理论

我们已经学习带走几个特征检测器，它们都really good , 但是从实时的角度来说，它们的速度还不够快.作为解决方案，FAST(加速段测试的特征)算法由Edward Rosten和Tom Drummond在2006年的论文“Machine learning for high-speed corner detection”中提出(后来在2010年修订).

FAST 全称 Features from accelerated segment test,一种用于角点检测的算法，该算法的原理是取图像中检测点，以该点为圆心的周围的16个像素点判断检测点是否为角点，通俗的讲就是中心的的像素值比大部分周围的像素值要亮一个阈值或者暗一个阈值则为角点.

实现步骤：

一个以像素p为中心，半径为3的圆上，有16个像素点(p1、p2、...、p16)

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pass掉，否则，当做候选点

若p是候选点，则计算p1、p9、p5、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，否则，直接pass掉

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pass掉

对图像进行非极大值抑制：计算特征点出的FAST得分值(即score值，也即s值)，判断以特征点p为中心的一个邻域(如3x3或5x5)内，计算若有多个特征点，则判断每个特征点的s值(16个点与中心差值的绝对值总和)，若p是邻域所有特征点中响应值最大的，则保留；否则，抑制。若邻域内只有一个特征点(角点)，则保留，得分计算公式如下(公式中用V表示得分，t表示阈值)：

NOTE：

它比其他现有的角落探测器快几倍

但它对高水平的噪音并不稳健，效果取决于阈值

FAST Feature Detector in OpenCV

import numpy as np

import cv2

from matplotlib import pyplot as plt

img = cv2.imread('img8.png')

# Initiate FAST object with default values

fast = cv2.FastFeatureDetector_create()

# find and draw the keypoints

kp = fast.detect(img,None)

img2 = cv2.drawKeypoints(img, kp, None, color=(255,0,0))

# Print all default params

print( "Threshold: {}".format(fast.getThreshold()) )

print( "nonmaxSuppression:{}".format(fast.getNonmaxSuppression()) )

print( "neighborhood: {}".format(fast.getType()) )

print( "Total Keypoints with nonmaxSuppression: {}".format(len(kp)) )

cv2.imshow('fast_true',img2)

# Disable nonmaxSuppression

fast.setNonmaxSuppression(0)

kp = fast.detect(img,None)

print( "Total Keypoints without nonmaxSuppression: {}".format(len(kp)) )

img3 = cv2.drawKeypoints(img, kp, None, color=(255,0,0))

cv2.imshow('fast_false',img3)

cv2.waitKey()