上面的算法如SIFT、SURF提取到的特征也是非常優秀（有較強的不變性），但是時間消耗依然很大，而在一個系統中，特征提取僅僅是一部分，還要進行諸如配准、提純、融合等后續算法。這使得實時性不好，降系了統性能。
Edward Rosten和Tom Drummond兩位大神經過研究，於2006年在《Machine learning for high-speed corner detection》中提出了一種FAST特征點，並在2010年稍作修改后發表了《Features From Accelerated Segment Test》，簡稱FAST。注意：FAST只是一種特征點檢測算法，並不涉及特征點的特征描述。
FAST詳解
FAST角點特征定義：若某像素與其周圍鄰域內足夠多的像素點相差較大，則該像素可能是角點。
步驟
1、上圖所示，一個以像素p為中心，半徑為3的圓上，有16個像素點（p1、p2、...、p16）。
2、設定閾值t，如果這周圍的16個像素中有連續的n個像素的像素值都小於 Ip−t或者有連續的n個像素都大於Ip+t， 那么這個點就被判斷為角點。 opencv中默認采用Fast-9-16（還包括Fast-5-8,Fast-7-12）.即在周圍取16個像素點，若超過連續9個點與中心點差值大於閾值即成為候選角點。
4、很可能大部分檢測出來的點彼此之間相鄰，我們要去除一部分這樣的點。為了解決這一問題，我們采用了非極大值抑制的算法，對圖像進行非極大值抑制，對一個角點P建立一個3*3（或5*5，7*7）的窗口，如果該窗口內出現了另一個角點Q，則比較P與Q的大小，如果P大，則將Q點刪除，如果P小，則將P點刪除。
得分計算公式如下（公式中用V表示得分，t表示閾值）：
opencv中角點強度計算方法不采用上面的公式所描述，而是采用最小的差值作為其角點強度值。例如若采用Fast-9-16,計算連續的9個位置與中心位置的差值的絕對值，取最小的一個差值作為其強度值。
FAST 算法特點
1、在速度上要比其他算法速度快很多
2、受圖像噪聲以及設定的閾值影響很大
3、FAST不產生多尺度特征而且FAST特征點沒有方向信息，這樣就會失去旋轉不變性。