光流適用在連續的圖像系列（視頻流）中，描述本身或畫面目標的運動狀態；在目標跟蹤、運動分析、甚至slam中都有廣泛應用。
opencv里就有不少光流算法，其中很經典也是當前被調用最多的的Lucas-Kanade算法；參看
calcOpticalFlowPyrLK（...）
2006年，Edward Rosten在各種慢速角點檢測中給出了一種快速角點檢測方案，取名FAST;后續也有相關改進。
http://www.edwardrosten.com/work/fast.html
http://www6.in.tum.de/Main/ResearchAgast
可以參看opencv
FastFeatureDetector
FAST角點重點強調速度快，角點的質量不如Harris、SIFT、SURF等慢速角點；可是天下那啥，為快不破，於是火了，在各種實時系統中或追求速度的系統中，都有他的身影，甚至隨后還發展了不少與之配套的二值特征描述ORB,BRIEF,BRISK等。
2014年，Matthieu Garrigues，Video Extruder A real-time semi dense point tracker，給出了一種基於FAST的光流方法，速度+性能很是驚艷。其中為每個FAST角點制定16維灰度描述，梯度下降搜索，以及塊光流估計是其成功的亮點。不過他不關注角點分布。
Video%20Extruder%20A%20real-time%20semi%20dense%20point%20tracker
2017年CVPR，有篇文章JiaWang Bian，GMS: Grid-based Motion Statistics for Fast, Ultra-Robust Feature Correspondence；介紹如果更好的篩選匹配點。其中本質的思想就是局部剛體約束，處在同一局部的特征點要有一致性運動（光流），否則剔除；該方法在一些復雜運動目標，或孤立點對上，有局限性。
https://github.com/JiawangBian/GMS-Feature-Matcher
有了上面種種，在實際應用中，希望角點稀疏的同時，盡可能均勻分布在畫面的各個區域（對SLAM特別有好處）；於是設計如下方案：
1. 金字塔結構（有下往上匹配）-> 滿足快速運動目標
2. FAST角點，網格濾波，盡量均勻分布 -> 稀疏，但均勻，可設定期望角度數，demo展示默認2048個
3. 16維梯度描述 + 梯度下降搜索 -> 相比Matthieu Garrigues，描述提取可以更簡單
4. 局部方向一致性約束 -> 類GMS約束
5. 自動FAST角點補缺 -> 維持稀疏下的稠密度，保證有期望數目的種子點去做后續跟蹤
Demo介紹：
運行程序，可以看到界面；
[V] - 快捷鍵，選擇測試視頻流
[C] - 快捷鍵，打開usb攝像頭
選擇測試數據，即可看到相關效果。
DEMO下載鏈接
http://pan.baidu.com/s/1bo203fx
如果運行出錯，請自行安裝VC_RedistInstaller.exe