今天学习角点检测的一个Fast算法，顾名思义，很快！
FAST 算法
1: 在图像中选择一个像素点p，得到其灰度值I_p
2: 以半径r为半径画圆，覆盖p点周围M个像素点，通常设置r=3，则M=16,这个M个点是周围一圈的点，不是在半径内的哦，沿着半径的外面一圈的点哈！
另外说一下，这个16个点的顺序是连续挨着的的，绕着一圈逆时针或者是顺时针定义的。
3: 设置一个阈值t，如果这M个像素点内连续存在N个像素点的灰度值在[I_p - t, I_p + t]范围之外，那么这个点就是角点，N一般是12，记住哈，是这个范围之外。
4: 一个个对比太慢了，先对比横向俩点和纵向的俩点（90度垂直），如果p是角点，那么至少有3个点是符号要求的啊，
这个怎么理解呢，根据条件3，16个点存在连续12个点，那不就是270度范围都是要在那个范围之外么。
因此先看四个垂直的方向的四个像素点，这个四个点都不满足了直接过滤掉哈，满足了我们再看剩下的八个点进行进一步的确认。
方法的缺点：
1: 候选点有点多
2: 特征点的选取不是最优
3: 运行非特征点选择时，大量的点被丢弃。
4: 很多检测的点是相邻的，但是这个可以通过NMS（非极大抑制）
那前三个问题怎么解决呢？
前面讲述的方法是不是感觉很死板，过于简单啊？难道非得连续270度范围？连续200度不行么？一定非得连续？中间出点个别值不行么？
我们使用机器学习的方式来解决。步骤如下：
1: 选择一组跟业务相关的图片，找到图中的特征点，还是选择特征点周围的16个像素的存储构成一个向量P
2: 对这个16个像素点进行归类，灰度值大于I_p + t的、灰度值在[I_p - t, I_p + t]之间的、灰度值小于I_p - t的。于是这16个点的的取值可以化成三个值
3: 然后我们提前标注好，哪种情况下是属于角点的，设置为True，否则设置为FALSE
4: 通过机器学习算法来做这样的分类任务，很明显这个是个二分类的问题，输入数据x是离散值，输出数据也是离散值，那么就是用分类的算法，比如决策树试一试。
这样的话，角点检测很贴近我们的实际任务，和我们的任务匹配度就很高了。
第四个问题通过NMS解决，原理就是周围离我近的一些点，在一些计算数值上小于这个点的，就把这些点抑制掉，取最可信的。
那么这个周围是啥，那么就是某个半径范围r，就是周围16个点。在目标检测模型中就是IOU（交并比）
那么这个计算的可信数值是啥，就是中心p点和周围16个点的灰度值差值的绝对值的和，计算也是挺简单的哈，数值小的说明区分度不高，抑制掉。在目标检测模型中就是置信度confidence
import cv2
import numpy as np
def cv_show_image(name, img):
cv2.imshow(name, img)
cv2.waitKey(0) # 等待时间，单位是毫秒，0代表任意键终止
cv2.destroyAllWindows()
# 1: 读取图像
img = cv2.imread('images/build.jpeg')
# 定义一个fast算法的模型
fast = cv2.FastFeatureDetector_create(threshold=30)
# 进行检测
kps = fast.detect(img)
# 画出角点
img2 = cv2.drawKeypoints(image=img, keypoints=kps, outImage=None, color=(0, 0, 255))
cv_show_image("img2", img2)
# 打印出fast算法的关键的默认参数
print("Threshold: {}".format(fast.getThreshold()))
print("NMS(NonmaxSuppression): {}".format(fast.getNonmaxSuppression()))
print("the count of keypoints is: {}".format(len(kps)))
# 如果我们关闭NMS，我们再看看效果噻，可想而知，点肯定变多了。
fast.setNonmaxSuppression(0)
# 进行检测
kps = fast.detect(img)
# 画出角点
img3 = cv2.drawKeypoints(image=img, keypoints=kps, outImage=None, color=(0, 0, 255))
ret = np.hstack((img, img2, img3))
cv_show_image('Fast', ret)
效果如下：
