##特征點檢測之FAST算法 在上一節中，記錄了Harris算子檢測圖像特征點的定義和基于OpenCV的實現方法，它基于兩個正交方向上的強度變化率。本節記錄另一種特征點檢測算子FAST(Features from Accelerated Segment Test)，它依賴少數像素的比較來確定是否接受一個特征點，其檢測效率要好于Harris。 與Harris算法相同，FAST特征算法需要定義什么是特征點。這次的定義基于假定特征點周圍的圖像強度，通過檢查候選像素的周圍一圈像素來決定是否接受這一個特征點。與中心點差異較大的像素如果組成連續的圓弧，并且弧長大于圓周長的3/4，則可判斷為特征點。 在此基礎上，算法還使用了額外的技巧進行加速。首先測試一個圓圈上被90度分隔的四個點（如頂部、底部，左側和右側四個點），如果要滿足FAST的定義條件，四個點中至少要有三個點必須同時大于或小于中心像素。如果條件不成立，則該點可以直接被移除而不需要進一步的驗證。在實踐中，大部分的像素點可以通過這個測試進行移除，因此該算法非常高效。 和Harris方法相同的是，可以在找到的角點上執行非極大值抑制，因此需要指定角點強度的測量方法。 這里可以使用OpenCV 2的通用接口來創建任意的特征檢測器，比如FAST檢測器的使用方法如下： ~~~ // 創建特征點的向量 std::vector<cv::KeyPoint>keypoints; // 構造FAST特征檢測器 cv::FastFeatureDetector fast(75); // 進行檢測 fast.detect(image, keypoints); ~~~ 同時，為了方便標記特征點，OpenCV提供了通用的特征點繪制函數cv::drawKeypoints，其調用方法如下： ~~~ // 通用的特征點繪制函數 cv::drawKeypoints(image, // 輸入圖像 keypoints, // 特征點向量 image, // 輸出圖像 cv::Scalar(255,255,255), // 特征點顏色 cv::DrawMatchesFlags::DRAW_OVER_OUTIMG); // 繪制標記 ~~~ 通過指定選中的繪制標記，可以看到輸出圖像中特征點均得到了繪制：  完整的實現代碼如下，只需修改main函數： ~~~ #include <QCoreApplication> #include <opencv2/core/core.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/features2d/features2d.hpp> int main(int argc, char *argv[]) { QCoreApplication a(argc, argv); // 輸入圖像 cv::Mat image = cv::imread("c:/031.jpg", 0); cv::namedWindow("Original Image"); cv::imshow("Original Image", image); // 特征點的向量 std::vector<cv::KeyPoint>keypoints; // 構造FAST特征檢測器 cv::FastFeatureDetector fast(75); // 進行檢測 fast.detect(image, keypoints); // 通用的特征點繪制函數 cv::drawKeypoints(image, // 輸入圖像 keypoints, // 特征點向量 image, // 輸出圖像 cv::Scalar(255, 255, 255), // 特征點顏色 cv::DrawMatchesFlags::DRAW_OVER_OUTIMG); // 繪制標記 cv::namedWindow("Fast Feature"); cv::imshow("Fast Feature", image); return a.exec(); } ~~~ FAST算法可以獲得非常快速的特征點檢測，在需要考慮運行速度的時候可以選用，比如在高幀率的視頻序列中進行視覺跟蹤。 關于FAST特征算法的詳細描述，可參考以下論文： The article by E.Rosten, T.Drummond, Machine Learning for High-speed Corner Detection, In European Conference on Computer Vision, pp.430-443, 2006