转载自：https://blog.csdn.net/hujingshuang/article/details/46898007
简介
在局部特征点检测快速发展的时候，人们对于特征的认识也越来越深入，近几年来许多学者提出了许许多多的特征检测算法及其改进算法，在众多的特征提取算法中，不乏涌现出佼佼者。
从最早期的Moravec，到Harris，再到SIFT、SUSAN、GLOH、SURF算法，可以说特征提取算法层出不穷。各种改进算法PCA-SIFT、ICA-SIFT、P-ASURF、R-ASURF、Radon-SIFT等也是搞得如火如荼，不亦乐乎。上面的算法如SIFT、SURF提取到的特征也是非常优秀（有较强的不变性），但是时间消耗依然很大，而在一个系统中，特征提取仅仅是一部分，还要进行诸如配准、提纯、融合等后续算法。这使得实时性不好，降系了统性能。
Edward Rosten和Tom Drummond两位大神经过研究，于2006年在《Machine learning for high-speed corner detection》中提出了一种FAST特征点，并在2010年稍作修改后发表了《Features From Accelerated Segment Test》，简称FAST。注意：FAST只是一种特征点检测算法，并不涉及特征点的特征描述。
FAST详解
FAST特征的定义
FAST的提出者Rosten等将FAST角点定义为：若某像素与其周围邻域内足够多的像素点相差较大，则该像素可能是角点。
FAST算法的步骤
1、上图所示，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）。
2、定义一个阈值。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，则当做候选角点，再进行下一步考察；否则，不可能是角点；
3、若p是候选点，则计算p1到p16这16个点与中心p的像素差，若它们有至少连续9个超过阈值，则是角点；否则，不可能是角点。
4、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）：
上面是FAST-9，当然FAST-10、FAST-11、FAST-12也是一样的，只是步骤3中，超过阈值的个数不一样。FAST算法实现起来简单，尤其是以速度快著称。
以上便是FAST特征检测的过程，清晰明了，而对于角点的定义也是做到了返璞归真，大师就是大师，还原本质的能力很强，估计以前这种简单想法被很多人忽略了。
实验
opencv代码
-
#include <opencv2/core/core.hpp> -
#include <opencv2/features2d/features2d.hpp> -
#include <opencv2/highgui/highgui.hpp> -
#include <cv.h> -
#include <vector> -
using namespace cv; -
using namespace std; -
int main() -
{ -
Mat frame=imread("lena.jpg", 1); -
double t = getTickCount();//当前滴答数 -
std::vector<KeyPoint> keyPoints; -
FastFeatureDetector fast(50); // 检测的阈值为50 -
fast.detect(frame, keyPoints); -
drawKeypoints(frame, keyPoints, frame, Scalar(0,0,255), DrawMatchesFlags::DRAW_OVER_OUTIMG); -
t = ((double)getTickCount() - t)/getTickFrequency(); -
cout<<"算法用时："<<t<<"秒"<<endl; -
imshow("FAST特征点", frame); -
cvWaitKey(0); -
return 0; -
}
输出结果：
MATLAB代码
再上一个自己编写的MATLAB代码，没有进行非极大值抑制，效果不及opencv，而且检测出的角点有一定的出入，应该是opencv内部做了一定的优化。
-
clear all; -
close all; -
%% -
pic=imread('lena.jpg'); -
img=pic; -
[M N D]=size(pic); -
if D==3 -
pic=rgb2gray(pic); -
end -
%% -
mask=[0 0 1 1 1 0 0;... -
0 1 0 0 0 1 0;... -
1 0 0 0 0 0 1;... -
1 0 0 0 0 0 1;... -
1 0 0 0 0 0 1;... -
0 1 0 0 0 1 0;... -
0 0 1 1 1 0 0]; -
mask=uint8(mask); -
threshold=50; -
figure;imshow(img);title('FAST角点检测');hold on; -
tic; -
for i=4:M-3 -
for j=4:N-3%若I1、I9与中心I0的差均小于阈值，则不是候选点 -
delta1=abs(pic(i-3,j)-pic(i,j))>threshold; -
delta9=abs(pic(i+3,j)-pic(i,j))>threshold; -
delta5=abs(pic(i,j+3)-pic(i,j))>threshold; -
delta13=abs(pic(i,j-3)-pic(i,j))>threshold; -
if sum([delta1 delta9 delta5 delta13])>=3 -
block=pic(i-3:i+3,j-3:j+3); -
block=block.*mask;%提取圆周16个点 -
pos=find(block); -
block1=abs(block(pos)-pic(i,j))/threshold; -
block2=floor(block1); -
res=find(block2); -
if size(res,1)>=12 -
plot(j,i,'ro'); -
end -
end -
end -
end -
toc; -
%%
输出结果：
参考文献
1、Machine learning for high-speed corner detection[J],2006.
2、Features From Accelerated Segment Test[J],2010.
3、基于自适应阈值的FAST特征点提取算法[J],2013