原始论文链接：Features from Accelerated Segment Test (FAST)
多个论文对比：Faster and better: a machine learning approach to corner detection
1.介绍：
FAST是一种由Rosten和Drummond提出的用于检测图片特征点的算法。图片特征点应拥有良好边界，并能被快速识别。特征点含有许多局部信息。这些局部信息应该能在不同的图片上重现。特征点检测已经被广泛应用于图片匹配，目标识别，跟踪等任务。
特征点（或称角点）检测不是新出现的想法。目前已有许多成熟的算法，如：Moravec corner detection algorithm, Harris & Stephens corner detection algorithm, SUSAN corner detector 。这些改进的FAST算法主要是为了提供一种能实时检测的算法。如在移动端的SLAM。
2.使用FAST特征检测
算法解释如下：
1.在图片中选择一个像素p，其像素强度为 IP 。
2.设置一个阈值T，（通常为图片像素强度的20%）
3.以像素点p为中心，半径为3的圆上有16个像素点（p1, p2,...pP16)，分别计算这些像素点与中心点P的像素差。
4.如果存在连续的n个像素点的像素差绝对值大于阈值T，则这个中心点P为特征点。（本文选择 n = 12）
5.为了加速算法，开始时只比较像素点p1, p5, p9, p13与中心点的强度差。如果其中至少3个点的像素差大于阈值，则p为特征候选点。
6.对于特征候选点再进行第3个步骤，判断全部16个像素点，确定p是否为特征点。
7.对所有像素点重复以上步骤
本算法存在一些不足：
1.在快速检测时，如果n < 12 时，其会检测出过多的特征点。
2.方案的准确性依赖于特征点的位置和分布。有可能选择不是最佳
3.会检测到多个临近的特征点
问题1和2可以通过使用机器学习的方式解决。问题3可以通过抑制非最大值解决。
3.机器学习方案
本方案需要决策树的知识。
1.选择一组图片用于训练
2.对每一张图片均使用FAST算法检测特征点
3.对于每一个像素点p，保存环绕它的16个像素点为一个向量P（如下图）
4.对图片中所有像素重复以上步骤。
5.对于向量P中的每一个值，都存在3种状态。比像素p暗，比像素p亮，与像素p相似。
6.根据像素的状态，可以将P划分到3个子集中： Pd，Pl，Ps
7.对每个向量定义一个对应的变量Kp， 当p为特征点时，Kp为true；当p不是特征点时，Kp为false。
8.使用ID3算法搜索所有子集，并将变量Kp作为训练集的分类值。
9.ID3算法是基于最小熵原则。即找到包含最多信息（关于像素p）的像素x。对于集合P的熵可以用公式表示为：
10. 对Pd，Pl， Ps这三个子集递归地使用最小熵算法
11.当子集为0的时候停止
12.生成的决策树也可以用于其他图片
4.通过抑制非最大值，移除临近的特征点
本算法的最初版本会检测到多个临近的特征点。这个问题可以通过抑制非最大值处理。
算法详细描述如下：
1.定义FAST score函数为中心点p和其环绕的16个像素点，强度差值的绝对值和。对每个特征点均运行score函数。
2.比较两个临近的特征点的FAST score值
3.丢弃score值低的特征点。
