角点检测

角点指的是角的顶点，如桌角椅角墙角的顶点。数学描述上，如果一个点在两个正交的方向上都有明显导数，那么这个点是角点。直观看来，角点就是在一张图上能找到，换个角度再拍一张图，还能找到的点。

最普遍使用的角点定义是Harris提出的，指的是至少在两个不同方向上有明显灰度变化的点。对于一幅灰度图片中的点$(x,y)$，灰度值为$I(x,y)$，采用一阶近似
$$I(x+u,y+v)=I(x,y)+u{I}_x(x,y)+v{I}_y(x,y)$$

$$(I(x+u,y+v)-I(x,y){)}^2=[u,v]\left[\begin{array}{cc}{I}_x^2& I_x{I}_y\\ I_x{I}_y& I_y^2\end{array}\right]\left[\begin{array}{c}u\\ v\end{array}\right]$$

使用SVD分解
$$(I(x+u,y+v)-I(x,y){)}^2=[u^{\prime },v^{\prime }]\left[\begin{array}{cc}{\lambda }_1& 0\\ 0& {\lambda }_2\end{array}\right]\left[\begin{array}{c}{u}^{\prime }\\ v^{\prime }\end{array}\right]={\lambda }_1{u}^{\prime 2}+{\lambda }_2{v}^{\prime 2}$$
${\lambda }_1$和${\lambda }_2$代表了两个不同方向上的灰度变化剧烈程度，因此希望两个特征值越大越好。通过计算角点的响应，公式如下
$$R=det(M)-k\ast trace(M)$$
其中$det(M)={\lambda }_1{\lambda }_2$，$trace(M)={\lambda }_1+{\lambda }_2$。$k$一般选择0.04~0.06。如果$R>T$，则判定该点是角点。

实际计算中，为了去除噪声影响，在计算得到水平边缘图$I_x$和垂直边缘图$I_y$，进而得到$I_x^2$，$I_y^2$及$I_x{I}_y$后，会对这三张导数图进行滤波，通常使用高斯滤波器，因此
$$M=\left[\begin{array}{cc}G(I_x^2)& G(I_x{I}_y)\\ G(I_x{I}_y)& G(I_y^2)\end{array}\right]$$
其中$G(I_x^2)={\sum }_{-K\le i,j\le K}{w}_{i,j}{I}_x^2(x+i,y+j)$，$w_{ij}$是高斯权重。

OpenCV中的实现会直接计算$M$的两个特征值，如果特征值较小的一个大于最小阈值，则会得到强角点，在很多情况下可以得到比原始算法更好的结果。