计算机视觉：特征点检测

一、Harris角点检测

1.1 兴趣点与角点

在图像处理和与计算机视觉领域，兴趣点（interest points），也被称作关键点（key points）、特征点（feature points）。它被大量用于解决物体识别、图像识别、图像匹配、视觉跟踪、三维重建等一系列的问题。我们不再观察整幅图，而是选择某些特殊的点，然后对它们进行局部有的放矢分析。如果能检测到足够多的这种点，同时它们的区分度很高，而且可以精确定位稳定的特征，那么这个方法就有实用价值。
图像特征类型可以被分为如下三种：
· 边缘
· 角点（感兴趣关键点）
· 斑点（感兴趣区域）
其中，角点是个很特殊的存在。如果某一点在任意方向的一个微小变动都会引起灰度很大的变化，那么我们就把它称之为角点。角点作为图像上的图正点，包含有重要的信息，在图像融合和目标跟踪及三维重建中有重要的应用价值。它们在图像中可以轻易地定位，同时，在人造物体场景，比如门、窗、桌等处也随处可见。因为角点位于两条边缘的交点处，代表了两个边缘变化的方向上的点，所以它们是可以精确定位的二维特征，甚至可以达到亚像素的精度。又由于其图像梯度有很高的变化，这种变化是可以用来帮助检测角点的。需要注意的是，角点与位于相同强度区域上的点不同，与物体轮廓上的点也不同，因为轮廓点难以在相同的其他物体上精确定位。
另外，关于角点的具体描述可以有如下几种：
· 一阶导数（即灰度的梯度）的局部最大所对应的像素点；
· 两条及两条以上边缘的交点；
· 图像中梯度值和梯度方向的变化速率都很高的点；
· 角点处的一阶导数最大，二阶导数为零，它指示了物体边缘变化不连续的方向。

1.2 角点检测

角点检测算法并不是都十分的健壮。很多方法都要求有大量的训练集和冗余数据来防止或减少错误特征的出现。另外，角点检测方法的一个很重要的评价标准是其对多幅图像中相同或相似特征的检测能力，并且能够应对光照变化、图像旋转等图像变化。
在图像处理领域，角点检测方法可归纳为三类。
· 基于灰度图像的角点检测：可分为基于梯度、基于模版和基于模版梯度组合三类方法。其中基于模版的方法主要考虑像素领域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。
· 基于二值图像的角点检测：将二值图像作为单独的检测目标，可使用各种基于灰度图像的角点检测方法。
· 基于轮廓曲线的角点检测：通过角点强度或曲线曲率提取角点。

1.3 harris角点检测

harris角点检测是一种直接基于灰度图像的角点提取算法，稳定性高。但由于采用了高斯滤波，运算速度相对较慢，角点信息有丢失和位置偏移的现象，而且角点提取有聚簇现象。
基本思想是：使用角点检测算子，对图像的每个像素计算角点响应函数，阈值化角点响应函数，根据实际情况选择阈值，对阈值化的角点响应函数进行非极大值抑制，并获取非零点作为角点。通过一个小的滑动窗口在领域检测角点，在任意方向上移动窗口，若窗口内的灰度值都有剧烈的变化，则窗口的中心就是角点。定义角点响应函数：$$E\left(u,v\right)=$$