FAST特征点检测算法

一 原始方法

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与中心p的像素差，若它们绝对值都小于阈值，则p点不可能是特征点，直接pass掉；否则，当做候选点，有待进一步考察；

3、若p是候选点，则计算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，则当做候选点，再进行下一步考察；否则，直接pass掉；

4、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9个超过阈值，则是特征点；否则，直接pass掉。

5、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4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。

 

 

 

# -*-coding:utf-8-*-


import cv2
import datetime

img1 = cv2.imread('/home/260158/code/pictures-data/CMU0/medium00.JPG')

starttime = datetime.datetime.now()

fast = cv2.FastFeatureDetector_create(90)
kp = fast.detect(img1,None)
img2 = cv2.drawKeypoints(img1,kp,(0,0,255))

endtime = datetime.datetime.now()
a = endtime- starttime


#cv2.namedWindow('fast', cv2.WINDOW_NORMAL)

cv2.imshow('fast',img2)
cv2.waitKey(0)
print a

结果