特征点匹配——FAST特征点检测

FAST算法是ECCV 2006上发表的Machine learning for high-speed corner detection上提出的，从论文名字中就可以看出，这是一种检测特征点的方法。

一、原始检测方法

具体内容如下：
判别特征点$p$是否是一个特征点，可以通过判断以该点为中心画圆，该圆过16个像素点。设在圆周上的16个像素点中是否最少有$n$个连续的像素点满足都比$I_p+t$大，或者都比$I_p-t$小。（这里$I_p$指的点$p$的灰度值，$t$是一个阈值）如果满足这样的要求，则判断$p$是一个特征点，否则$p$不是。在原论文中$n$的值一般设为12。
如下图所示：

由于在检测特征点时是需要对图像中所有的像素点进行检测，然而图像中的绝大多数点都不是特征点，如果对每个像素点都进行上述的检测过程，那显然会浪费许多时间，因此论文中采用了一种进行非特征点判别的方法。如上图中，对于每个点都检测第1、5、9、13号像素点，如果这4个点中至少有3个满足都比 $I_p+t$大或者都比 $I_p-t$小，则继续对该点进行16个邻域像素点都检测的方法，否则则判定该点是非特征点，直接剔除即可。
这种做法在大幅减少了判断特征点的运算量，提升了算法的运行速度。但是还是存在一些问题，如下：
（1）当我们使用的 $n<12$时就不能通过上面说明的方法对非角点进行快速过滤；
（2）这样检测出来的特征点不是最优的，因为这种检测方法暗含了对特征周围的像素分布的假定；
（3）忽略了上述的前4个检测的结果分析；
（4）检测得到的特征点容易挤在一起。
针对以上问题作者提出了一种基于学习的特征点检测方法，这种检测方法解决了上面的前3个问题。

二、基于学习的特征点检测方法

这种基于学习的特征点检测方法分成两个阶段，如下所示：
阶段1：对你需要检测的场景的多张图像进行角点提取，在提取的过程中，使用你给定的$n$和一个合适的阈值进行检测，同时这里不使用上面提出的先检测4个像素点的方法（因为你选择的 n<