【摘要】：根据FAST算法提出者Rosten等人的定义：若某像素与其周围邻域内足够多的像素点相差较大，则该像素可能就是FAST角点。FAST算法包含以下主要步骤：①对固定半径圆上的像素进行分割测试，通过逻辑测试可以去除大量的非特征候选点。③利用非极大值抑制进行角点特征的验证。最后，通过定义特征点响应函数进行角点的非极大值抑制，配合金字塔模型，对不同尺度的图像进行特征点检测。
根据FAST算法提出者Rosten等人的定义：若某像素与其周围邻域内足够多的像素点相差较大，则该像素可能就是FAST角点。FAST算法包含以下主要步骤：
①对固定半径圆上的像素进行分割测试，通过逻辑测试可以去除大量的非特征候选点。
②基于分类的角点特征检测，ID3分类器根据16个特征判决候选点是否为角点特征，每个特征的状态为-1，0，1。
③利用非极大值抑制进行角点特征的验证。(www.xing528.com)
图6.2 FAST算法固定半径的圆形模板
总结起来，FAST算法先比较中间点与固定半径圆模板经过的连续的12或9个像素点的灰度值，若有连续12或9个邻域像素值都大于或都小于中心像素点，则认为是候选特征点（图6.2）。然后用ID3信息增益算法进行决策树的训练。最后，通过定义特征点响应函数进行角点的非极大值抑制，配合金字塔模型，对不同尺度的图像进行特征点检测。
AGAST检测算子主要应用了模式为FAST9-16的检测算子，分别使用相同阈值T对各个图像组以及内插组来对关键点进行提取与检测，即在提取的关键点周围16个圆环点中至少存在9个连续的点，这9个连续的点一定要与中心点的像素值不同。对满足条件的关键点进行提取，并应用非极大值抑制方法来去除不稳定的特征点。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
