特征點檢測和匹配是計算機視覺中一個很有用的技術(shù)。在物體檢測，視覺跟蹤，三維常年關鍵等領域都有很廣泛的應用。這一次先介紹特征點檢測的一種方法——FAST（features from accelerated segment test）。很多傳統(tǒng)的算法都很耗時，而且特征點檢測算法只是很多復雜圖像處理里中的第一步，得不償失。FAST特征點檢測是公認的比較快速的特征點檢測方法，只利用周圍像素比較的信息就可以得到特征點，簡單，有效。

?

FAST特征檢測算法來源于corner的定義，這個定義基于特征點周圍的圖像灰度值，檢測候選特征點周圍一圈的像素值，如果候選點周圍領域內(nèi)有足夠多的像素點與該候選點的灰度值差別夠大，則認為該候選點為一個特征點。

其中I（x）為圓周上任意一點的灰度，I（p）為圓心的灰度，Ed為灰度值差得閾值，如果N大于給定閾值，一般為周圍圓圈點的四分之三，則認為p是一個特征點。

為了獲得更快的結(jié)果，還采用了額外的加速辦法。如果測試了候選點周圍每隔90度角的4個點，應該至少有3個和候選點的灰度值差足夠大，否則則不用再計算其他點，直接認為該候選點不是特征點。候選點周圍的圓的選取半徑是一個很重要的參數(shù)，這里我為了簡單高效，采用半徑為3，共有16個周邊像素需要比較。為了提高比較的效率，通常只使用N個周邊像素來比較，也就是大家經(jīng)常說的FAST-N。我看很多文獻推薦FAST-9，作者的主頁上有FAST-9、FAST-10、FAST-11、FAST-12，大家使用比較多的是FAST-9和FAST-12。上個圖說明的更形象一些

OpenCV里對FAST的使用也非常簡單，先聲明一組特征點，構(gòu)建FAST特征檢測，接下來調(diào)用detect函數(shù)檢測圖像中的特征點，最后把特征點繪制到圖片上。上代碼說的清楚些

#include 《opencv2/core/core.hpp》

#include 《opencv2/features2d/features2d.hpp》

#include 《opencv2/highgui/highgui.hpp》

#include 《vector》

using namespace cv;

void main（）

{

Mat image;

image = imread（“church01.jpg”）;

// vector of keyPoints

std：：vector《KeyPoint》 keyPoints;

// construction of the fast feature detector object

FastFeatureDetector fast（40）; // 檢測的閾值為40

// feature point detection

fast.detect（image，keyPoints）;

drawKeypoints（image， keyPoints， image， Scalar：：all（255）， DrawMatchesFlags：：DRAW_OVER_OUTIMG）;

imshow（“FAST feature”， image）;

cvWaitKey（0）;

}

1、上圖所示，一個以像素p為中心，半徑為3的圓上，有16個像素點（p1、p2、…、p16）。?
2、定義一個閾值。計算p1、p9與中心p的像素差，若它們絕對值都小于閾值，則p點不可能是特征點，直接pass掉；否則，當做候選點，有待進一步考察；?
3、若p是候選點，則計算p1、p9、p5、p13與中心p的像素差，若它們的絕對值有至少3個超過閾值，則當做候選點，再進行下一步考察；否則，直接pass掉；?
4、若p是候選點，則計算p1到p16這16個點與中心p的像素差，若它們有至少9個超過閾值，則是特征點；否則，直接pass掉。?
5、對圖像進行非極大值抑制：計算特征點出的FAST得分值（即score值，也即s值），判斷以特征點p為中心的一個鄰域（如3x3或5x5）內(nèi)，計算若有多個特征點，則判斷每個特征點的s值（16個點與中心差值的絕對值總和），若p是鄰域所有特征點中響應值最大的，則保留；否則，抑制。若鄰域內(nèi)只有一個特征點（角點），則保留。得分計算公式如下（公式中用V表示得分，t表示閾值）：?

上面是FAST-9，當然FAST-10、FAST-11、FAST-12也是一樣的，只是步驟4中，超過閾值的個數(shù)不一樣。FAST算法實現(xiàn)起來簡單，尤其是以速度快著稱。?
以上便是FAST特征檢測的過程，清晰明了，而對于角點的定義也是做到了返璞歸真，大師就是大師，還原本質(zhì)的能力很強，估計以前這種簡單想法被很多人忽略了