Opencv2.4.9源码分析——FAST

FAST（Features fromaccelerated segment test）是一种角点检测方法，它可以用于特征点的提取，并完成跟踪和映射物体。FAST角点检测算法最初是由Edward Rosten和Tom Drummond提出，该算法最突出的优点是它的计算效率。正如它的缩写名字，它很快而且事实上它比其他著名的特征点提取方法（如SIFT，SUSAN，Harris）都要快。而且如果应用机器学习方法的话，该算法能够取得更佳的效果。正因为它的快速特点，FAST角点检测方法非常适用于实时视频处理的领域。

该算法的基本原理是使用圆周长为16个像素点（半径为3的Bresenham圆）来判定其圆心像素P是否为角点。在圆周上按顺时针方向从1到16的顺序对圆周像素点进行编号。如果在圆周上有N个连续的像素的亮度都比圆心像素的亮度I_p加上阈值t还要亮，或者比圆心像素的亮度减去阈值还要暗，则圆心像素被称为角点。因此要想成为角点，必须满足下列两个条件之一：

条件1：集合S由圆周上N个连续的像素x组成，I_x > I_p + t；

条件2：集合S由圆周上N个连续的像素x组成，I_x < I_p - t。

N一般选择为12。

在一幅图像中，非角点往往是占多数，而且非角点检测要比角点检测容易得多，因此首先剔除掉非角点将大大提高角点检测速度。由于N为12，所以编号为1，5，9，13的这4个圆周像素点中应该至少有三个像素点满足角点条件，圆心才有可能是角点。因此首先检查1和9像素点，如果I₁和I₉在[I_p –t， I_p + t]之间，则圆心肯定不是角点，否则再检查5和13像素点。如果这4个像素中至少有三个像素满足亮度高于I_p+t或低于I_p –t，则进一步检查圆周上其余像素点。

以上方法还是有不够鲁棒的地方，但可以通过机器学习和非极大值抑制的方法来增强鲁棒性。由于opencv中相关的函数没有使用机器学习，因此我们这里只介绍非极大值抑制的方法。由于分割测试并没有计算角点响应函数，因此常规的非极大值抑制方法并不适用于FAST算法。下面是FAST的非极大值抑制方法：

1、计算得分函数，它的值V是特征点与其圆周上16个像素点的绝对差值中所有连续10个像素中的最小值的最大值，而且该值还要大于阈值t；

2、在3×3的特征点邻域内（而不是图像邻域），比较V；

3、剔除掉非极大值的特征点。

FAST角点检测方法的具体步骤为：

1、在圆周上的部分像素点上，进行非角点的检测；

2、如果初步判断是角点，则在圆周上的全部像素点上进行角点检测；

3、对角点进行非极大值抑制，得到角点输出。

 

在opencv中，实现FAST算法的核心函数有两个，它们的原型为：

void FAST(InputArray image, vector<KeyPoint>& keypoints, int threshold, bool nonmaxSuppression=true )
void FASTX(InputArray image, vector<KeyPoint>& keypoints, int threshold, bool nonmaxSuppression, int type)

image为输入图像，要求是灰度图像

keypoints为检测到的特征点向量

threshold为阈值t

nonmaxSuppression为是否进行非极大值抑制，true表示进行非极大值抑制

type为选取圆周像素点的个数，是8（FastFeatureDetector::TYPE_5_8）、12（FastFeatureDetector::TYPE_7_12）还是16（FastFeatureDetector::TYPE_9_16）。该参数是FAST函数和FASTX函数的区别，事实上，FAST函数是调用FASTX函数，而传入的type值为FastFeatureDetector::TYPE_9_16。

FAST角点检测方法是在sources/modules/features2d/src/fast.cpp文件内定义的：

void FAST(InputArray _img, std::vector<KeyPoint>& keypoints, int threshold, bool nonmax_suppression)
{
    //调用FASTX函数
    FASTX(_img, keypoints, threshold, nonmax_suppression, FastFeatureDetector::TYPE_9_16);
}

FASTX函数的作用是调用一个函数模板，模板的参数值是根据参数type的不同而定义的所使用的圆周像素的个数：

void FASTX(InputArray _img, std::vector<KeyPoint>& keypoints, int threshold, bool nonmax_suppression, int type)
{
  switch(type) {
    case FastFeatureDetector::TYPE_5_8:
      FAST_t<8>(_img, keypoints, threshold, nonmax_suppression);
      break;
    case FastFeatureDetector::TYPE_7_12:
      FAST_t<12>(_img, keypoints, threshold, nonmax_suppression);
      break;
    case FastFeatureDetector::TYPE_9_16:
#ifdef HAVE_TEGRA_OPTIMIZATION
      if(tegra::FAST(_img, keypoints, threshold, nonmax_suppression))
        break;
#endif
      FAST_t<16>