• 理解FAST算法的基本原理
• 使用OpenCV的FAST函数进行角点（corners）检测

1. 从图片中选取一个像素点，下面我们将判断它是否是一个特征点。我们首先把它的密度（即像素值）设为 。
2. 设定一个合适的阙值 。
3. 考虑该像素点周围的16个像素。（见下图）
   
   
4. 现在，如果在这个大小为16个像素的圆上有 个连续的像素点，它们的像素值要么都比大，要么都比 小，那么它就是一个角点。（如上图中白色虚线所示）。 这里被设定为12。
   
   
5. 我们现在应该提出一个高效的测试，来快速排除一大部分是非角点的点。该测试仅仅检查在位置1、9、5和13四个位置的像素（首先检查1和9，看它们是否亮于或暗于阙值。如果是，再检查5和13）。如果是一个角点，那么上述四个像素点中至少有3个应该必须都大于或者小于 （因为若是一个角点，超过四分之三个圆的部分应该满足判断条件，半圆比包含上述某三个点）。如果都不满足，那么不可能是一个角点。完整的分段测试可以被用于接受的所有候选点，通过检测圆上的所有点。这种检测有很好的性能，但是有一些缺点：
   1. 当n < 12时不能拒绝许多候选点。
   2. 检测出来的角点不是最优的，这是因为它的效率是依靠角点外形的排列和分布的。
   3. 
   4. 相邻的多个特征点会被检测到。

1. 选择一个图片集合进行学习（最好是来自于目标应用定义域）。
2. 在每一张图上运行FAST算法，找到特征点。
3. 对于每个特征点，存储它周围的16个像素点到一个vector中。为所有的图片做同样的事，得到它们所有特征点的vector  。
4. 这16个像素中的每一个像素（假设为），可以有下面三种状态中的一种：
   
   
5. 依靠这些状态，特征向量被划分为3个子集，, , 。
6. 定义一个新的布尔变量，。如果 是一个角点，那些为真；否则为假。
7. 使用ID3算法（决策树分类器）来查询每一个子集。
8. 递归计算所有的子集直到它的嫡为0。
9. 被创建的决策树就被用于其他图片的fast检测。

1. 为每一个检测到的特征点计算它的分数函数（score function）， 。 是和它周围16个像素点的绝对偏差的和。
2. 考虑两个相邻的特征点，并比较它们的值。
3. 值较低的点将会被剔除。

• cv2.FAST_FEATURE_DETECTOR_TYPE_5_8
  
• cv2.FAST_FEATURE_DETECTOR_TYPE_7_12
  
• cv2.FAST_FEATURE_DETECTOR_TYPE_9_16
  

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread(‘simple.jpg‘,0)

# Initiate FAST object with default values
fast = cv2.FastFeatureDetector()

# find and draw the keypoints
kp = fast.detect(img,None)
img2 = cv2.drawKeypoints(img, kp, color=(255,0,0))

# Print all default params
print "Threshold: ", fast.getInt(‘threshold‘)
print "nonmaxSuppression: ", fast.getBool(‘nonmaxSuppression‘)
print "neighborhood: ", fast.getInt(‘type‘)
print "Total Keypoints with nonmaxSuppression: ", len(kp)

cv2.imwrite(‘fast_true.png‘,img2)

# Disable nonmaxSuppression
fast.setBool(‘nonmaxSuppression‘,0)
kp = fast.detect(img,None)

print "Total Keypoints without nonmaxSuppression: ", len(kp)

img3 = cv2.drawKeypoints(img, kp, color=(255,0,0))

cv2.imwrite(‘fast_false.png‘,img3)