目录
?2、ORB对FAST的改进oFAST（FAST Keypoint Orientation）
1、FAST算子
思路：
????????对像素点p，如果p与邻域内的很多点都存在某一属性的差异（灰度图像上的亮度）， 则认为p与周围像素不同， 可以当做特征点。
优化：
????????对像素点p，以p为圆心画一个半径为3像素的圆，圆周上有16个像素点。只计算这些点和p的差异。如果有连续n个（一般n=12）像素点与p的灰度值的差的绝对值大于阈值， 则p是FAST特征点。
????????n为12时，16个点中的1、9、5、13（垂直线和水平线的四个交点），如果p是特征点，那么这4个点中至少有3 个符合阈值要求。如果不符合，则p不是特征点。
?缺点：
????????1）当 n<12 时不能使用加速算法；
????????加速方式：检测像素点周围的四个点（1，5，9，12）中是否有三个点满足阈值要求。如果不满足，则直接跳过，如果满足，则继续使用前面的算法，全部判断16个点中是否有12个满足条件。
????????2）特征点的选取不一定是最优的；
????????因为它的效果取决于要解决的问题和角点的分布情况。
????????3）角点分析的结果被丢弃。解决： 机器学习
????????4）检测到的很多特征点都是连在一起的。解决：非极大值抑制算法
????????计算每个特征点的响应大小（score function），即特征点和周围16个点的亮度差的绝对值的和。临近的特征点里保留响应值较大的， 删除其余的。
????????5）阈值设计对结果影响很大。
机器学习的角点检测器：
????????step1、选取进行角点提取的应用场景下的一组训练图像。
????????step2、使用FAST角点检测算法找出训练图像上的所有角点。
????????step3、对于每一个角点，将其周围的16个像素存储成一个向量。对所有图像都这样做构建一个特征向量。
????????step4、每一个角点的16像素点都属于下列三类中的一种，暗、相似、明亮。其中Ip为像素点p的灰度值，阈值为t。
?????????step5、根据这些像素点的分类，特征向量被分为3个子集。
????????step6、定义一个新的布尔变量Kp，如果p是角点Kp就设置为True，否则就设置为False。
????????step7、利用ID3 决策树算法来查询每个自己，使用布尔型变量Kp来标记真实分类的信息。选取到的像素点x会产生很多关于候选特征点是否是一个像素点信息，该信息由KP的熵值决定。
????????step8、递归计算所有的子集直到它的熵为0。
????????step9、被构建好的决策树用于其它图像的FAST检测。
优缺点总结：
????????FAST算子比其它角点检测算法都快，但是当图像中的噪点较多时，它的健壮性并不好，而且算法的效果还依赖于阈值。并且FAST算子不产生多尺度特征而且FAST角点没有方向信息，这样就会失去旋转不变性。
????????优点：速度快。缺点：1、图像噪声多时健壮性不好；2、效果依赖阈值；3、不产生多尺度特征，没有方向信息，不具备旋转不变性。
opencv文档：OpenCV: cv::FastFeatureDetector Class Reference
import cv2
def test():
img_path = r"test.jpg"
img = cv2.imread(img_path, 0)
# Initiate FAST object with default values
fast = cv2.FastFeatureDetector_create(threshold=40, nonmaxSuppression=True,
type=cv2.FAST_FEATURE_DETECTOR_TYPE_9_16) # 获取FAST角点探测器
# find and draw the keypoints
kp = fast.detect(img, None) # 描述符
img = cv2.drawKeypoints(img, kp, img, color=(255, 0, 0)) # 画到img上面
print("Threshold: ", fast.getThreshold()) # 输出阈值
print("nonmaxSuppression: ", fast.getNonmaxSuppression()) # 是否使用非极大值抑制
print("Total Keypoints with nonmaxSuppression: ", len(kp)) # 特征点个数
cv2.imwrite('fast_true.png', img)输出结构：
Threshold: 40
nonmaxSuppression: True
Total Keypoints with nonmaxSuppression: 5499图像：
?2、ORB对FAST的改进oFAST（FAST Keypoint Orientation）
?1）尺度不变性
????????使用图像金字塔。设置一个比例因子scaleFactor（opencv默认为1.2）和金字塔的层数n（opencv默认为8）。将原图像按比例因子缩小成n幅图像。n幅不同比例的图像提取的特征点总和作为oFAST特征点。
?2）旋转不变性
????????使用矩（moment）来确定特征点的方向。计算特征点一定范围领域的质心，特征点到质心的向量作为该特征点的方向。
