A COMBINED CORNER AND EDGE DETECTOR

A COMBINED CORNER AND EDGE DETECTOR

论文翻译：组合式角点和边缘检测器

---

图像边缘滤波的一致性对于使用特征跟踪算法的3D图像序列解释至关重要。 为了迎合包含纹理和孤立特征的图像区域，使用了基于局部自相关函数的组合角和边缘检测器，它在自然图像上表现出良好的一致性。

---

介绍

我们在Alvey Project MMI149中要解决的问题是使用计算机视觉来理解不受约束的3D世界，在该世界中，所查看的场景通常包含的对象种类繁多，无法使用自上而下的识别技术。 例如，我们希望获得对自然场景的理解，其中包括道路，建筑物，树木，灌木丛等，以图1中所示序列中的两个框架为代表。 使用基于移动摄像机对单眼图像序列进行运动分析的计算机视觉系统。 通过提取和跟踪图像特征，可以构建这些特征的3D类似物的表示形式。
为了能够执行对图像特征的显式跟踪，图像特征必须是离散的，并且不形成像纹理或边缘像素（edgels）这样的连续体。 因此，我们早期的工作集中在特征点或角点的提取和跟踪上，因为它们是离散的，可靠的和有意义的。 但是，缺乏特征点的连通性是我们获取更高级描述（例如表面和对象）的主要限制。 我们需要可以从边缘获得的更丰富的信息。
现在，我们将要考虑的不受约束的图像将包含弯曲的边缘和各种比例的纹理。 将边缘表示为一组直线片段4并将它们用作我们的离散特征将是不合适的，因为可以期望曲线和纹理边缘在序列的每个图像上以不同的方式进行片段化，因此无法跟踪。 由于疾病，不能期望使用参数化的曲线（例如圆弧）来提供解决方案，尤其是在使用真实图像时。
在发现上述解决3D边缘解释问题的方法后，我们对尝试解决该问题的必要性提出了质疑！ 心理视觉实验（从侧面看旋转的弯曲衣架时的解释含糊不清）表明，对弯曲边缘进行3D解释的问题可能确实无法解决。 实际上，由于边缘上存在小的瑕疵和标记（可作为可跟踪的特征点），因此很少出现此问题。
尽管可能无法获得弯曲边缘的准确，明确的3D表示，但它提供的连通性可能足以满足许多目的-实际上，边缘连通性可能比明确的3D测量更为重要。 跟踪的边缘连通性，再加上拐角和交汇点的3D位置，可以提供线框结构表示形式以及可以用作推定3D表面的定界图像区域。
这给我们带来了执行可靠（即一致）边缘滤波的问题。最先进的边缘滤波器（例如）并非旨在应对结点和拐角，并且不愿提供任何边缘连接性。对于Canny边缘算子，在图2中对此进行了说明，其中阈值上边缘和边缘下边缘分别用黑色和灰色表示。请注意，在灌木丛中，有些但不是全部边缘很容易被肉眼看到。进行迟滞后，接着删除杂散和短边，结完成算法的应用将导致图3中所示的边和结，边以灰色显示，结以黑色显示。在灌木丛中，很少有边缘容易匹配。这里的问题是响应接近检测阈值的边缘：边缘强度或像素化的微小变化会导致边缘拓扑结构发生较大变化。使用边缘来描述灌木丛是令人怀疑的，也许仅根据特征点来描述它可能会更好。

MORAVEC重提

理解：就是取一个圆形窗口区域patch，四个方向平移，计算方差，四个值取最小的为CRF(Corner Response Function)，然后以CRF为阈值获取候选角点，然后进行局部非极大抑制进行最终的角点获取。

Moravec的角点检测器通过考虑图像中的局部窗口并确定由于在各个方向上少量移动窗口而导致的图像强度的平均变化来发挥作用。 需要考虑三种情况：
A.如果窗口图像斑块是平坦的（即强度近似恒定），则所有偏移只会导致很小的变化；反之亦然。
B.如果窗口横跨边缘，则沿边缘的偏移将导致较小的变化，但垂直于边缘的偏移将导致较大的变化；
C.如果窗口补丁是一个角点或孤立点，则所有偏移都会导致较大的变化。 因此，可以通过发现任何换档产生的最小变化何时较大来检测转弯。
现在，我们给出以上的数学说明。 用I表示图像强度，由位移（x，y）产生的变化E由下式给出：

其中w指定图像窗口：在指定的矩形区域内为1，在其他区域为零。 被认为的移位（x，y）包括{（1,0），（1,1），（0,1），（-1,1）}。 因此，Moravec的拐角检测器就是这样：在min {E}中寻找某个阈值以上的局部最大值。

自相关检测器

图4a中显示了Moravec的角点检测器在测试图像上的性能。 为了进行比较，显示了Beaudet7和Kitchen＆Rosenfeld运算符的结果（分别为图4b和4c）。 Moravec运算符存在许多问题。 下面列出了这些内容以及适当的纠正措施：
1.响应是各向异性的，因为仅考虑每45度的一组离散位移-通过对位移原点执行解析扩展可以覆盖所有可能的小位移：

第一个梯度近似为

因此，对于小班次，E可以写成

其中

2.响应是嘈杂的，因为该窗口是二进制和矩形的-使用光滑的圆形窗口，例如高斯：

3.操作对边缘的响应太容易，因为仅考虑了E的最小值-重新设计拐角度量以利用E随移动方向的变化。
小位移（x，y）的变化E可以简写为

2x2对称矩阵M为

请注意，E与局部自相关函数密切相关，其中M描述其在原点的形状（明确地表示为泰勒展开式中的二次项）。 令a，P为M的特征值.a和P将与局部自相关函数的主曲率成比例，并形成M的旋转不变描述。像以前一样，需要考虑以下三种情况：
A.如果两个曲率都较小，则局部自相关函数是平坦的，则开窗图像区域的强度近似恒定（即，图像斑块的任意移动几乎不会引起E的变化）；
B.如果一个曲率高而另一个曲率低，则局部自相关函数呈山脊状，则仅沿山脊移动（即沿边缘）不会引起E的变化。
C.如果两个曲率都很高 达到峰值，则在任何方向上的偏移都会增加E：这表示一个角