定义
一种快速角点检测算法。
FAST也是一种经典的特征点检测方法，这个方法正如其名，计算速度快，可以应用与实时场景中。在FAST特征提出之后，实时计算机视觉应用中特征提取性能才有显著改善。
FAST算法包含3个主要步骤：
（1）固定半径圆上的像素进行分割测试。
下图是12点的分割测试角点检测算法的示意图。12点分割测试角点检测算法是在一个图像块上进行，如上图中的左边方块，其中p是中心像素点，12点取的是图上用弧线连接的12个点的像素值都大于或都小于中心像素值，则认为该点处是候选角点。
在分割测试中，t是一个阈值，Ip表示的是中心像素的像素值，当中心像素的像素值Ip小于x处的像素值Ip->x+t时，则该像素属于darker，其他两种情况分别表示亮些和相似。这样一个块（圆形）区域就可以分成d、s和b三种类型。这时候只要统计圆形区域中d或b的次数，只要d或b出现的次数大于n，那么该点就被认为是候选角点。
（2）ID3决策树算法来训练角点检测。
通过上式中比较，可以将模板内的像素分成三部分d、s、b，分别记为：Pd，Ps，Pb。因此对于每个Sp->x都属于Pd，Ps，Pb中的一个。另外，令Kp为true，如果p为角点，否则为false。通过ID3算法来选择具有最大信息增益的像素来判断一个像素是否为角点。Kp的熵用下式来计算：
对上述像素依次进行如上处理，选择像素增益最大的像素作为判断角点的依据，生成决策树，从而实现角点的正确分类。
（3）非极大值抑制。
在上面的分割测试中，没有计算角点响应函数，非极大值抑制无法直接应用于提取的特征。因此，定义一个角点响应函数V，考虑到分割测试的特征以及计算速度的需要，角点响应函数的定义如下：
定义了角点响应函数后，就可以采用常规的非极大值抑制方法对非角点进行排除了。
FAST算法比其他已知的角点检测算法要快很多倍，但是当图片中的噪点较多时，它的健壮性并不好，而且算法的效果还依赖于一个阈值t。而且FAST不产生多尺度特征而且FAST特征点没有方向信息，这样就会失去旋转不变性。
参考文献
[1] Rosten E . Machine learning for high-speed corner detection[J]. 2006.
