fast 算法原理

代码在git

		$p_{10}$	$p_9$	$p_8$
	$p_{11}$				$p_7$
$p_{12}$						$p_6$
$p_{13}$			P			$p_5$
$p_{14}$						$p_4$
	$p_{15}$				$p_3$
		$p_{16}$	$p_1$	$p_2$

fast 算法的源码实现只是比较

• $p$和$p_1$,$p_9$的灰度差
• $p$和$p_5$,$p_{13}$的灰度差

在计算fast 前需要进行中止滤波

在计算后要进行非极大抑制

• 第1步：在图像中选择某个像素，它的灰度值记为。
• 第2步：设定一个阈值，用于判断两个像素灰度值差异大小，为了能够自适应不同的图像，一般采用相对百分比例，比如设置为的20%。
• 第3步：以像素为中心，选取半径为3的圆上的16个像素点。选取方式见下图右所示。
• 第4步：如果16个像素点中有连续的个点的灰度大于或者小于，那么可以将像素确定为关键点。在ORB的论文中，作者说时效果较好，称之为FAST-9。实际操作中为了加速，我们可以把第1，5，9，13个像素点当做锚点，在FAST-9算法中，只有当这4个锚点中有3个及以上灰度值同时大于或者小于，当前像素才可能是一个关键点进入到下一个阶段的判断，否则就可以排除掉，这大大加速了关键点检测的速度。
• 第5步：遍历图像中每个像素点，循环执行以上四个步骤。

    # 校验
    rows, cols = image.shape[:2]
    if row < 3 or col < 3:
        return False
    if row >= rows-3 or col >= cols-3:
        return False
    intensity = int(image[row][col])
    ROI = circle(row, col)
    # 获取位置1,9,5,13的像素值
    row1, col1 = ROI[0]
    row9, col9 = ROI[8]
    row5, col5 = ROI[4]
    row13, col13 = ROI[12]
    intensity1 = int(image[row1][col1])
    intensity9 = int(image[row9][col9])
    intensity5 = int(image[row5][col5])
    intensity13 = int(image[row13][col13])
    # 统计上面4个位置中满足  像素值  >  intensity + threshold点的个数
    countMore = 0
    # 统计上面4个位置中满足 像素值  < intensity - threshold点的个数
    countLess = 0
    if intensity1 - intensity > threshold:
        countMore += 1
    elif intensity1 + threshold < intensity:
        countLess += 1
    if intensity9 - intensity > threshold:
        countMore += 1
    elif intensity9 + threshold < intensity:
        countLess += 1
    if intensity5 - intensity > threshold:
        countMore += 1
    elif intensity5 + threshold < intensity:
        countLess += 1
    if intensity13 - intensity > threshold:
        countMore += 1
    elif intensity13 + threshold < intensity:
        countLess += 1