FAST角点简介

FAST可以看做是提取角点的一种算法，当然也有人认为FAST-9等对边缘具有极强的响应（ORB_SLAM中）；最早由Edward Rosten 和 Tom Drummond在2005年提出[1]

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

原文将p点周围的点x分为三类：比p亮很多的点，比p暗很多的点，和p亮度差别在一个阈值t内的点。

1检测

1)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t。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；否则，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
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，若其中至少9个连续的点超过阈值，则是特征点。

2.fast角点筛选

原文[2]中还对fast用机器学习的方法筛选最优特征点。简单来说就是使用ID3算法训练一个决策树，将特征点圆周上的16个像素输入决策树中，以此来筛选出最优的FAST特征点。
上面1中介绍的是FAST-9，而FAST-10、FAST-11、FAST-12也基本一致，只是在步骤4中，超过阈值的个数不是9，而是10，11或12。FAST算法实现起来简单，尤其是以速度快著称。

3.最大值抑制

对图像进行非极大值抑制：计算特征点出的FAST得分值（即s值，16个点与中心点的差的绝对值的总和），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，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）：

4.特征点的描述

留意到 FAST只是检测出特征点的位置，FAST没有自带好的描述子，原文直接将周围16个点的灰度作为一个向量来描述该特征点[1]。此外也可以借助与BRIEF描述子等来描述。

5.评价

1.fast很快；
2.没有sift的尺度不变性，也不具有旋转不变性；
3.当图片中的噪点较多时，它的健壮性并不好，而且算法的效果还依赖于一个阈值t

reference

1.Rosten E, Drummond T. Fusing points and lines for high performance tracking[C]// Tenth IEEE International Conference on Computer Vision. IEEE, 2005:1508-1515 Vol. 2.
2.Rosten E, Porter R, Drummond T. Faster and Better: A Machine Learning Approach to Corner Detection[M]. IEEE Computer Society, 2010.