【CV学习7】FAST算法详解
一、简介
1.FAST算法产生原因
SIFT和SURF算法在进行特征点检测时需要建立尺度空间，基于局部图像的梯度直方图来计算描述子，整个算法的计算和数据存储复杂度比较高，不适用于处理实时性很强的图像。
2.FAST算法思想
若某像素与其周围领域内足够多的像素点相差较大，则该像素可能是角点
二、算法步骤
Step1: 确定候选角点
a.传统方法：
- 选择某个像素
，其像素值为
，以
为圆心，半径为3，确定一个圆，圆上有16个像素，记为
。 - 确定一个阀值，记为
- 让圆上的n个连续的像素的像素值分别与
的像素值做差，若这些差值的绝对值都比
大或都比
小，则像素
为角点。现在我们令
（经验数据）。接下来是实现这一步的具体步骤（前人经验所得）。 - 分别计算
与
的像素值与
的差，若差值的绝对值都比
大或都比
小，则进入下一步判断，否则
点被直接pass掉 - 分别计算
，
，
，
四个点像素值与
的差值，若有
个点的差值的绝对值都比
大或都比
小，则进入下一步判断，否则pass掉p点 -
对圆上16个像素点的像素值分别与
做差，若有
个像素点的差值的绝对值都比
大或都比
小，则p点为角点缺陷：
-
这种检测方法不能推广到连续亮点或者暗点个数
的情况- 这种检测方法对特征点的空间分布有隐含假设
- 这种检测方法得到的判断信息最后也被丢弃了
- 大量测试得到这样的结论：大量特征点都是相邻分布的
-
- 因此现在都通过ID3算法构建决策树来判断围绕待测目标点的Bresenham圆环上是否有n个连续的亮点或者暗点，进而判断该目标点是否是特征点。（ID3算法讲解参考https://www.cnblogs.com/gfgwxw/p/9439482.html）
b.基于机器学习方法的FAST算法
1.确定一组训练图像
2.使用FAST算法对每幅图像做角点检测
3.在向量
中存储每幅图像的每个焦点周围16个像素值
4.对于图像中所有像素都重复如上操作
5.对于圆环上的16个点（
）安如下规则分为三类
是状态（兴趣点是p，圆环上的点x）
是像素x的值
t是阀值
6.根据状态，
可以划分为三个子向量
，
，
6.确定一个布尔变量
，当
为角点时为True，当p不是角点是为False
7.使用ID3决策树，按照
的真假对
的三个子向量进行训练
8.ID3算法的的运行原则依据熵值最小（信息最多）以检测出像素点的位置
其中
是每个区域的角点个数
是每个区域的非角点个数
9.停止条件为上述划分的每一个等级熵值均为零
10.训练结束后得到一个确定的决策树，以后可对类似场景使用这个决策树来检测角点
Step2:非极大值抑制
在筛选出来的候选角点中有很多是紧挨在一起的，需要通过非极大值抑制来消除这种影响
- 为所有的候选角点计算一个打分函数
:
2.比较相邻候选角点的
值，把V值较小的候选角点PASS掉
至此，FAST算法结束
三、参考及致谢
1.https://zhuanlan.zhihu.com/c_154380889
2.刘晓光《基于FPGA的FAST图像特征点的检测与匹配算法的研究》
3. Bremner D, Demaine E, Erickson J, et al. Output-sensitive algorithms for computing nearest-neighbour decision boundaries[J]. Discrete & Computational Geometry, 2005, 33(4): 593-604.
