本博客内容来源于网络以及其他书籍，结合自己学习的心得进行重编辑，因为看了很多文章不便一一标注引用，如图片文字等侵权，请告知删除。
学习笔记目录----->传送门 <-----
前言
有关角点的知识可以在Harris角点学习笔记中查看。虽然有很多的角点检测算法，有一些也能够达到实时，但是我们要在实时性更高的系统上使用，比如vslam，则需要更快点的角点提取算法，来为其他操作节省时间。
那么Edward Rosten和Tom Drummond于2006年提出了一种FAST特征点检测方法，并在2010年稍作修改后发表了《Features From Accelerated Segment Test》，简称FAST(也确实是快，优秀的命名)。接下来，我们详细解析一下FAST角点检测方法
FAST角点检测思路
FAST角点定义与合理性
总的来说FAST角点检测还是比较简单的，那么让我们来看看作者是怎么定义FAST角点的
- FAST角点：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。
我们来看一个例子，帮助理解：
从上图上我们可以看出，放大后的右图中心像素点P的灰度值明显要比周围圆上的像素点1-16的灰度值要小，并且很多的像素值的相差比较大，则此点就有可能是角点。
这个通过对比平坦的图以及边缘图还是比较好理解的，在平坦的图上，周围的像素点应该和中心点的差距是比较小；在边缘上，周围的像素点应该一半差距比较大，一半基本上没有差距；而在角点上，应该时大多数的差距比较大，而少数的差距比较小。
所以提取特征点，就是通过一定的特征划分，将不同的像素点分开，属于同一特征下的在某个维度具有极高的结构或属性相似性。
FAST算法流程
在上述我们理解FAST角点定义的合理性之后，我们来看一下，FAST角点算法的流程，仍旧以上面的图为例。
- 我们仍旧选择一个点，不妨仍设这个点为像素点P。我们首先把它的亮度值设为Ip。
- 虑以该像素点为中心的一个半径等于3像素的离散化的Bresenham圆，这个圆的边界上有16个像素，分别为p1 ～ p16，亮度值分别为Ip1 ～ Ip16。
- 我们选定一个阈值t，t做什么的我们接下来看。
- 首先计算p1、p9、p5、p13(分别在四个方向的四个点)与中心p的像素差，若它们的绝对值有至少3个超过阈值t，则当做候选角点，再进行下一步考察；否则，不可能是角点；
- 在p是候选点的情况下，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（也可以测试其他大小，实验表明9的效果更好），则是角点；否则，不是角点。
- 对完整图进行1-5 的角点判断。
-
对完整图像进行非极大值抑制，目的去除小区域内多个重复的特征点：
7.3. 得分计算公式如下（公式中用V表示得分，t表示阈值）：
7.1. 计算特征点出的FAST得分值（或者说响应值），即16个点与中心差值的绝对值总和。
7.2. 判断以特征点p为中心的一个邻域（可以设为3x3或着5x5）内，若有多个特征点，则判断每个特征点的响应值,如果p是其中最大的，则保留，否则，删除。如果只有一个特征点，就保留。
得分V计算公式
FAST角点检测性能
可以看出FAST特征点的计算方式非常简单，计算速度也是相对于其他方式也是非常快的，但是还是有一些缺点：
- 在首先的四点检测里，只有2个点同中心点不相似，也并不能说明这不是角点（我们是不是可以在这优化一下，保留更多的角点）。
- 前面的四点检测结果和后面的16点检测的计算有一定重复。
- 检测出来的角点不一定是最优的，这是因为它的效率取决于问题的排序与角点的分布。
虽然FAST有一些缺点，但并不妨碍FAST角点检测，是一个优秀的方法，其中使用最常见的就是为其他特征点的提取，进行快速的过滤。比如先进性FAST特征提取，在进行Harris角点去，就可以加快，整个Harris角点提取的速度了。 再比如在ORB-SLAM中，orb特征点的提取就依赖了FAST角点提取的快速稳定。在之后我们会讲解关于ORB特征点的提取。
OpenCV 使用中FAST角点检测效果[代码]
#include <iostream>
#include <opencv2/opencv.hpp>
int main(int argc, char *argv[])
{
int thread_value = 30;
cv::Mat orignal_image = cv::imread (argv[1]);
cv::Mat gray_image , after_fast_image;
cv::cvtColor (orignal_image,gray_image,CV_BGR2GRAY); // 灰度变换
std::vector<cv::KeyPoint> keypoints;
cv::FAST(gray_image, keypoints,thread_value);
cv::drawKeypoints(orignal_image, keypoints, after_fast_image, cv::Scalar::all(-1), cv::DrawMatchesFlags::DEFAULT);
cv::imshow("after_fast_corner", after_fast_image);
cv::imwrite("after_fast_corner.png",after_fast_image);
cv::waitKey(0);
return 0;
}
下面是我自己选的一张图出来的效果，可以看到在角点检测的效果还是不错的，角点的地方还是找的比较密集的，当然和阈值的设置也有关系，可以去对比我Harris的效果去做对比。
重要的事情说三遍：
如果您看到我的文章对您有所帮助，那就点个赞呗 ( * ^ __ ^ * )
如果您看到我的文章对您有所帮助，那就点个赞呗( * ^ __ ^ * )
如果您看到我的文章对您有所帮助，那就点个赞呗( * ^ __ ^ * )
任何人或团体、机构全部转载或者部分转载、摘录，请保留本博客链接或标注来源。博客地址：开飞机的乔巴
作者简介：开飞机的乔巴（WeChat：zhangzheng-thu），现主要从事机器人抓取视觉系统以及三维重建等3D视觉相关方面，另外对slam以及深度学习技术也颇感兴趣，欢迎加我微信或留言交流相关工作。
