OpenCV学习之路（七）——角点检测

角点检测（Corner Detection）是计算机视觉中用来获得图像特征的一种方法，广泛应用于运动检测、视频追踪、目标识别等领域中，也称特征点检测。

一、兴趣点与角点

对于角点，到目前为止还没有明确的数学定义。但是你可以认为角点就是极值点，即在某方面属性特别突出的点。一般的角点检测都是对有具体定义的、或者是能够具体检测出来的兴趣点的检测。这意味着兴趣点可以是角点，是在某些属性上强度最大或者最小的孤立点、线段的终点，或者是曲线上局部曲率最大的点。
通俗的来说，在一副图像中，我们可以认为角点是物体轮廓线的连接点（见图1），当拍摄视角变化的时候，这些特征点仍能很好地保持稳定的属性。

角点通常被定义为两条边的交点，角点的局部领域应该具有两个不同区域的不同方向的边界。实际应用中，大多数角点检测方法检测的是拥有特定特征的图像点，不仅仅是“角点”。这些特征点在图像中具有具体的坐标，并具有某些数学特征，如局部最大或最小灰度、某些梯度特征。角点在保留图像图形重要特征的同时，可以有效地减少信息的数据量，使其信息的含量很高，有效地提高了计算的速度，有利于图像的可靠匹配，使得实时处理成为可能。

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（Blobs）（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变化，那么就称为角点。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，甚至可以达到亚精度的精度。
关于角点的具体描述可以有如下几种：

• 一阶导师（即灰度的梯度）的局部最大所对应的像素点。
• 两条即两条以上边缘交点。
• 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。

二、角点检测

在当前的图像处理领域，角点检测算法可以归纳为以下三类

• 基于灰度图像的角点检测
• 基于二值图像的角点检测
• 基于轮廓曲线的角点检测
  基于灰度图像的角点检测又可分为基于梯度、基于模版和基于模版梯度组合三类方法。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，