特征点检测学习_4(FAST算法)

FAST特征点检测算法

在众多特征点检测算法中，FAST算法的优势是速度快，主要利用周围像素比较的信息就可以得到特征，简单有效。

FAST算法是基于角点检测的图像特征，其定义特征点的依据是：如果某个像素点和他周围邻域足够多的像素点处于不同区域，则这个像素点就是特征点，对于灰度图来说，也就是该点的灰度值与其周围足够多的像素点的灰度值不同，那么这个像素点就是特征点。

FAST特征点检测的详细计算步骤

1.从图片中选取一个坐标点，获取该点的像素值，接下来判定该点是否为特征点。

2.选取一个圆，圆心放到选取点的坐标位置，半径为R(常用R=3)，按照圆的轨迹离散化，这个圆上有16个点(R=3)，如下图所示：

3.选取一个阈值，假设为t，当这个圆上的16个点中，有N个连续的像素点，他们的亮度值与中心点的像素值的差大于或者等于t，那么这个点就是一个特征点，n一般取9,12。

注意：

   1.为了获得更快的结果，还采用了额外的加速办法，如果测试了候选点周围每个90度角的4个点，应该至少有3个点和候选点的灰度值差足够大，否则不再计算其他点，直接判定该点不是特征点。
   2. 这种检测方法会带来一个问题，就是造成特征点的聚簇效应，多个特征点在图像的某一块重复高频出现，FAST 算法采用一种非极大值的抑制办法来消除这种情况，具体办法如下，

       为每一个检测到的特征点计算它的响应大小VV，这个VV定义为中心点和它周围16个像素点的绝对偏差的和，考虑两个相邻的特征点，并比较他们的VV值，VV值较低的点将会被删除。

 

评价：

    1.FAST检测算法没有多尺度的问题，所以计算速度相对较快

    2.但是当图片中的噪点较多的时候,会产生较多的错误特征点,健壮性并不好,并且, 算法的效果还依赖于一个阈值t

    3.FAST不产生多尺度特征而且FAST特征点没有方向信息，这样就会失去旋转不变性

    4.在要求实时性的场合,比如视频监控的物体识别,是可以使用的.