目标：了解FAST算法，在OpenCV里使用FAST算法。

理论：

前面学习了很多特征检测算法，并且表现得非常优秀。如果想从实时应用方面去使用它们，其实都不行，比如SLAM（Simultaneous Localization and Mapping）在移动机器人方面的应用。SLAM也称为CML (Concurrent Mapping and Localization), 即时定位与地图构建，或并发建图与定位。问题可以描述为：将一个机器人放入未知环境中的未知位置，是否有办法让机器人一边移动一边逐步描绘出此环境完全的地图，所谓完全的地图（a consistent map）是指不受障碍行进到房间可进入的每个角落。

为了解决这种实时应用， Edward Rosten和Tom Drummond在论文《Machine learning for high-speed corner detection》里提出了FAST（Features from Accelerated Segment Test）算法。这个算法的大体思路如下，如果想了解更多的细节可以看原来的论文。

FAST特征检测：

1）在图像里随机选择一点p，无论此点能否成为特征点，假定它的强度为Ip。

2）选择一个合适的阈值t。

3）在像素p周围画一个圆，以p点为圆心，周长上总共有16个元素，如下图所示：

4）现在假定像素p是一个角点，那么在圆周上（这里16个像素）至少有连续n个像素亮度大于Ip+t，或者n个像素亮度小于Ip-t。在这里，看到图片上n是12个，图上白色点划线所示。

5）首先使用一个高速测试的方法来检查出非角点，那就是只要先测试像素1、9、5和13，其实可以先测试1和9，如果满足了再测试5和13。如果p点是一个角点，至少有三个点的亮度大于Ip+t或者小于Ip-t。如果这两个条件都不满足，说明p点不是一个角点。如果通过了快速测试，就可以通过检查圆中的所有像素是否满足上面的要求。虽然这种高速测试方法检测速度很快，但也是有以下几个不足之处：

a)没有办法过滤小于12个连续点的点。

b)像素的选择不是最优的，因为它的效率取决于问题的排序和角的分布。

c)高速测试的结果被丢弃掉。

d)检测得到的特征点容易挤在一起。

前三点是可用用机器学习方法解决，最后一条可以使用非最大值抑制（non-maximal suppression）来解决。

机器学习角检测器

1）选择一组用于培训的图像 (最好来自检测目标范围的图像)

2）对每一张图像运用 FAST 算法找到特点.

3）对于每个特征点，将其周围的16个像素存储为一个向量。对所有的图像都这样做，得到特征向量 P 。

4）这16个像素中的每个像素(比如x)都可以有以下三种状态之一:

5）根据这些状态，特征向量 P 被细分为三个子集,  Pd, Ps, Pb。

6）定义一个新的布尔变量 Kp ，如果 p 是一个角，则为真，否则为假。

7）使用ID3算法(决策树分类器)查询每个子集，使用变量 Kp 查询关于真类。它选择产生最多信息量的x作为是否是角的候选，可以 通过计算 Kp 的熵来度量。

8）递归地应用于所有子集，直到它的熵为零。

9）所建立的决策树用于其他图像的快速检测。

非最大值抑制

在邻域里检测到多个特征点是一个问题，但是它可以使用非最大值抑制来解决。

1）计算一个分数函数，V代表所有检测到的特征点。V是p和周围16个像素值的绝对差值之和。

2）考虑两个相邻的关键点并计算它们的V值。

3）丢弃V值较低的点。

FAST方法比其他现有的角检测方法快几倍，但它对高噪点的图像效果并不好，严重依赖于阈值设定。

在OpenCV里可以使用下面例子来演示：

#python 3.7.4,opencv4.1
#蔡军生 https://blog.csdn.net/caimouse/article/details/51749579
#
import numpy as np
import cv2
from matplotlib import pyplot as plt

#读取文件
img = cv2.imread('szcen1.png')

#使用默认值初始化FAST
fast = cv2.FastFeatureDetector_create()
kp = fast.detect(img,None)

#在图像上画相应角点
img2 = cv2.drawKeypoints(img, kp, None, color=(255,0,0))
#显示缺省的参数
print( "Threshold: {}".format(fast.getThreshold()) )
print( "nonmaxSuppression:{}".format(fast.getNonmaxSuppression()) )
print( "neighborhood: {}".format(fast.getType()) )
print( "Total Keypoints with nonmaxSuppression: {}".format(len(kp)) )

#显示图片
cv2.imshow('img',img2)
           
cv2.waitKey(0)
cv2.destroyAllWindows()

结果输出如下：

Threshold: 10

nonmaxSuppression:True

neighborhood: 2

Total Keypoints with nonmaxSuppression: 9338

https://blog.csdn.net/caimouse/article/details/51749579