特征检测_FAST特征点检测

1. FAST简介

其基本思想是比较当前点与周边点差异，当周边有连续N个点均比中间点亮或者暗，则认为该点为一个FAST特征点。FAST 算法研究的出发点是开发一种可用于实时帧率应用（如移动机器人上的 SLAM）的兴趣点检测器，而这些应用的计算资源有限。

2. FAST算法步骤

1. 在图像中选择一个像素p，假设该像素的强度为 IP。
2. 设置一个阈值强度 T（例如为被测试像素强度的 20%）。
3. 考虑围绕像素 p 的 16 个像素组成的圆。
4. 如果检测该像素为兴趣点，则16个像素中需要有N个连续像素的强度要么高于 IP+T，要么低于 IP-T。（作者在算法的第一个版本中使用 N = 12）
5. 为了加快算法，首先将圆上的第 1、5、9 和 13 个像素的强度与 IP 进行比较。这四个像素中至少有三个应满足阈值条件，p才可能为兴趣点。
6. 如果四个像素值 1、5、9、13 中至少有三个未满足高于或低于 IP±T 的条件，则 p 不是兴趣点（角点）。在这种情况下，直接将像素 p 排除。否则，如果至少有三个像素的值高于或低于 IP ± T，则检查所有16个像素，判断是否有12个连续像素符合该标准。
7. 对图像中的所有像素重复这一过程。

3. 算法后处理

3.1 非极大值抑制

在初始版本的算法中，检测到彼此相邻的多个兴趣点是另一个问题。这可以通过在检测兴趣点后应用非极大值抑制来解决。

1. 对每个检测到的点计算得分函数V。得分函数定义为：连续弧线上的像素与中心像素的绝对差值之和。
2. 考虑两个相邻的兴趣点（可以是MM的邻域：33 / 5*5），比较它们的V值。
3. 舍弃V值较低的那个。得分函数也可以用其他方式定义。关键点是定义一个启发式函数，用于比较两个相邻检测到的角点并消除相对不重要的那一个。

周围16个像素的灰度值与中心点的差异越大，越能表明该位置具有更好的不变性

3.2 特征点均匀分布处理

有一种常用的处理方法，就是把图像分割成网格状，对每个小图像进行单独检测。OpenVins中的FAST特征提取代码：

static void perform_griding(const cv::Mat &img, const cv::Mat &mask, 
	std::vector<cv::KeyPoint> &pts, int num_features, int grid_x,
	int grid_y, int threshold, bool nonmaxSuppression) 
{
   
   
    // We want to have equally distributed features
    // NOTE: If we have more grids than number of total points, we calc the biggest grid we can do
    // NOTE: Thus if we extract 1 point per grid we have
    // NOTE:    -> 1 = num_features / (grid_x * grid_y))
    // NOTE:    -> grid_x = ratio * grid_y (keep the original grid ratio)
    // NOTE:    -> grid_y = sqrt(num_features / ratio)
    // 当网格数量超过期望特征点数时，重新计算网格划分，保持原始宽高比。
    // 防止有的网格没有特征点，也是为了保证特征点均匀分布，一个格子至少一个点
    // num_features = (grid_x * grid_y)
    // 又要保证宽高比例 double ratio = (double)grid_x / (double)grid_y;
    // 综合上述两个式子就可以得到
    if (num_features < grid_x * grid_y) {
   
   
      double ratio = (double)grid_x / (double)grid_y;
      grid_y = std::ceil(std::sqrt(num_features / ratio));
      grid_x = std::ceil(grid_y * ratio);
    }
    // 每个网格提取 总特征数/网格数 + 1 个点，确保总数足够。
    int num_features_grid = (int)((double