目标
理解 FAST 算法的基础
使用 OpenCV 中的 FAST 算法相关函数进行角点检测
原理
前面学习了几个特征检测器，它们大多数效果都很好。 但是从实时处理的角度来看，这些算法都不够快。 一个最好例子就是 SLAM（同步定位与地图构建）， 移动机器人，它们的计算资源非常有限。
为了解决这个问题，Edward_Rosten 和 Tom_Drummond 在 2006 年提出里 FAST 算法。 下面将会对此算法进行一个简单的介绍。 可以参考原始文献获得更多细节（本节中的所有图像都是曲子原始文章）。
使用 FAST 算法进行特征提取
在图像中选取一个像素点 p，来判断它是不是关键点。I p 等于像素点 p的灰度值。
选择适当的阈值 t。
如下图所示在像素点 p 的周围选择 16 个像素点进行测试。
如果在这 16 个像素点中存在 n 个连续像素点的灰度值都高于 I p + t，或者低于 I p − t，那么像素点 p 就被认为是一个角点。如上图中的虚线所示，n 选取的值为 12。
为了获得更快的效果，还采用了而外的加速办法。 首先对候选点的周围每个 90 度的点：1，9，5，13 进行测试（先测试 1 和 19, 如果它们符合阈值要求再测试 5 和 13）。 如果 p 是角点，那么这四个点中至少有 3 个要符合阈值要求。如果不是的话肯定不是角点，就放弃。 对通过这步测试的点再继续进行测试（是否有 12 的点符合阈值要求）。这个检测器的效率很高，但是它有如下几条缺点：
当 n<12 时它不会丢弃很多候选点 (获得的候选点比较多)。
像素的选取不是最优的，因为它的效果取决与要解决的问题和角点的分布情况。
高速测试的结果被抛弃
检测到的很多特征点都是连在一起的。
前 3 个问题可以通过机器学习的方法解决， 最后一个问题可以使用非最大值抑制的方法解决。
机器学习的角点检测器
选择一组训练图片（最好是跟最后应用相关的图片）
使用 FAST 算法找出每幅图像的特征点
对每一个特征点，将其周围的 16 个像素存储构成一个向量。对所有图像都这样做构建一个特征向量 P
每一个特征点的 16 像素点都属于下列三类中的一种。
根据这些像素点的分类，特征向量 P 也被分为 3 个子集：P d ，P s ，P b
定义一个新的布尔变量 K p ，如果 p 是角点就设置为 Ture，如果不是就设置为 False。
使用 ID3 算法（决策树分类器）， 使用变量 K p 查询每个子集，以获取有关真实类的知识。 它选择 x，该 x 产生了关于候选像素是否是角的最多信息， 由 K p 的熵来衡量。
这将递归应用于所有子集，直到其熵为零。
将构建好的决策树运用于其他图像的快速的检测。
非极大值抑制
使用极大值抑制的方法可以解决检测到的特征点相连的问题
对所有检测到到特征点构建一个打分函数 V。V 就是像素点 p 与周围 16个像素点差值的绝对值之和。
计算临近两个特征点的打分函数 V。
忽略 V 值最低的特征点
总结
FAST 算法比其它角点检测算法都快。但是在噪声很高时不够稳定，这是由阈值决定的。
OpenCV 中的 FAST 特征检测器
像其他特征点检测一样，可以在 OpenCV 中直接使用 FAST 特征检测器。
如果愿意的话，还可以设置阈值，是否进行非最大值抑制，要使用的邻域大小 （） 等。
邻域设置为下列 3 种之一： cv2.FAST_FEATURE_DETECTOR_TYPE_5_8 ,
cv2.FAST_FEATURE_DETECTOR_TYPE_7_12 和 cv2.FAST_FEATURE_DETECTOR_TYPE_9_16 。
下面是使用 FAST 算法进行特征点检测的简单代码。
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('img6.png',0)
# Initiate FAST object with default values
fast = cv2.FastFeatureDetector()
# find and draw the keypoints
kp = fast.detect(img,None)
img2 = cv2.drawKeypoints(img, kp, color=(255,0,0))
# Print all default params
print( "Threshold: ", fast.getInt('threshold'))
print( "nonmaxSuppression: ", fast.getBool('nonmaxSuppression'))
print ("neighborhood: ", fast.getInt('type'))
print ("Total Keypoints with nonmaxSuppression: ", len(kp))
cv2.imwrite('fast_true.png',img2)
# Disable nonmaxSuppression
fast.setBool('nonmaxSuppression',0)
kp = fast.detect(img,None)
print ("Total Keypoints without nonmaxSuppression: ", len(kp))
img3 = cv2.drawKeypoints(img, kp, color=(255,0,0))
cv2.imwrite('fast_false.png',img3)
from matplotlib import pyplot as plt
plt.subplot(131),plt.imshow(img)
plt.subplot(132),plt.imshow(img2)
plt.subplot(133),plt.imshow(img3)
plt.show()
# pip install opencv-contrib
结果如下。第一幅图是使用了非最大值抑制的结果，第二幅没有使用非最大值抑制。
