OpenCV-Python 角点检测的 FAST 算法

原理
　　我们前面学习了几个特征检测器，它们大多数效果都很好。但是从实时处理的角度来看，这些算法都不够快。一个最好例子就是 SLAM（同步定位与地图构建），移动机器人，它们的计算资源非常有限。
为了解决这个问题，Edward_Rosten 和 Tom_Drummond 在 2006 年提出里 FAST 算法。我们下面将会对此算法进行一个简单的介绍。你可以参考原始文献获得更多细节（本节中的所有图像都是曲子原始文章）。

34.1 使用 FAST 算法进行特征提取
　　1. 在图像中选取一个像素点 p，来判断它是不是关键点。I p 等于像素点 p的灰度值。
　　2. 选择适当的阈值 t。
　　3. 如果在这 16 个像素点中存在 n 个连续像素点的灰度值都高于 I p + t，或者低于 I p −t，那么像素点 p 就被认为是一个角点。如上图中的虚线所示，n 选取的值为 12。
　　4. 为了获得更快的效果，还采用了而外的加速办法。首先对候选点的周围每个 90 度的点：1，9，5，13 进行测试（先测试 1 和 19, 如果它们符合阈值要求再测试 5 和 13）。如果 p 是角点，那么这四个点中至少有 3 个要符合阈值要求。如果不是的话肯定不是角点，就放弃。对通过这步测试的点再继续进行测试（是否有 12 的点符合阈值要求）。这个检测器的效率很高，但是它有如下几条缺点：
　　• 当 n<12 时它不会丢弃很多候选点 (获得的候选点比较多)。
　　• 像素的选取不是最优的，因为它的效果取决与要解决的问题和角点的分布情况。
　　• 高速测试的结果被抛弃
　　• 检测到的很多特征点都是连在一起的。
前 3 个问题可以通过机器学习的方法解决，最后一个问题可以使用非最大值抑制的方法解决。

34.2 机器学习的角点检测器
　　1. 选择一组训练图片（最好是跟最后应用相关的图片）
　　2. 使用 FAST 算法找出每幅图像的特征点
　　3. 对每一个特征点，将其周围的 16 个像素存储构成一个向量。对所有图像都这样做构建一个特征向量 P
　　4. 每一个特征点的 16 像素点都属于下列三类中的一种。
　　5. 根据这些像素点的分类，特征向量 P 也被分为 3 个子集：P d ，P s ，P b
　　6. 定义一个新的布尔变量 K p ，如果 p 是角点就设置为 Ture，如果不是就设置为 False。
　　7. 使用 ID3 算法（决策树分类器）Use the ID3 algorithm (decision tree classifier) to query each subset using the variable K p for the knowledge about the true class. It selects the x which yields the most information about whether the candidate pixel is a corner, measured by the entropy of K p .
　　8. This is recursively applied to all the subsets until its entropy iszero.
　　9. 将构建好的决策树运用于其他图像的快速的检测。

34.3 非极大值抑制

使用极大值抑制的方法可以解决检测到的特征点相连的问题
　　1. 对所有检测到到特征点构建一个打分函数 V。V 就是像素点 p 与周围 16个像素点差值的绝对值之和。
　　2. 计算临近两个特征点的打分函数 V。
　　3. 忽略 V 值最低的特征点