角点特征检测

1、何为“角点”

对角点可以从两个不同的角度定义：角点是两个边缘的交点；角点是邻域内具有两个主方向的特征点。角点所在的区域通常也是图像中稳定的、信息丰富的区域，这些区域可能具有某些特性，如旋转不变性、尺度不变性、仿射不变性和光照亮度不变性。因此，在计算机视觉和数字图像领域，研究角点具有重要的意义。

2、Harris角点的基本原理

人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时，窗口内图像的灰度没有发生变化，那么窗口内就不存在角点；如果窗口在某一个方向移动时，窗口内图像的灰度发生了较大的变化，而在另一些方向上没有发生变化，那么，窗口内的图像可能就是一条直线的线段。    

对于图像I(x,y)，当在点(x,y)处平移(Δx,Δy)后的自相似性，可以通过自相关函数给出： 

 c(x,y;Δx,Δy)=∑(u,v)∈W(x,y)w(u,v)(I(u,v)–I(u+Δx,v+Δy))2 

其中，W(x,y)是以点(x,y)为中心的窗口，w(u,v)为加权函数，它既可是常数，也可以是高斯加权函数。

  

 根据泰勒展开，对图像I(x,y)在平移(Δx,Δy)后进行一阶近似：  I(u+Δx,v+Δy)=I(u,v)+Ix(u,v)Δx+Iy(u,v)Δy+O(Δx2,Δy2)≈I(u,v)+Ix(u,v)Δx+Iy(u,v)Δy 

其中，Ix,Iy是图像I(x,y)的偏导数，这样的话，自相关函数则可以简化为： 

 c(x,y;Δx,Δy)≈∑w(Ix(u,v)Δx+Iy(u,v)Δy)2=[Δx,Δy]M(x,y)[ΔxΔy] 

其中 M(x,y)=∑w[Ix(x,y)2Ix(x,y)Iy(x,y)Ix(x,y)Iy(x,y)Iy(x,y)2]=????∑wIx(x,y)2∑wIx(x,y)Iy(x,y)∑wIx(x,y)Iy(x,y)∑wIy(x,y)2????=[ACCB] 

也就是说图像I(x,y)在点(x,y)处平移(Δx,Δy)后的自相关函数可以近似为二项函数： 

 c(x,y;Δx,Δy)≈AΔx2+2CΔxΔy+BΔy2 

其中  A=∑wI2x,B=∑wI2y,C=∑wIxIy 

二次项函数本质上就是一个椭圆函数。椭圆的扁率和尺寸是由M(x,y)的特征值λ1、λ2决定的，椭贺的方向是由M(x,y)的特征矢量决定的，如下图所示，椭圆方程为：  

[Δx,Δy]M(x,y)[ΔxΔy]=1  

 

椭圆函数特征值与图像中的角点、直线（边缘）和平面之间的关系如下图所示。共可分为三种情况：  

（1）图像中的直线。一个特征值大，另一个特征值小，λ1?λ2或λ2?λ1。自相关函数值在某一方向上大，在其他方向上小。 

（2）图像中的平面。两个特征值都小，且近似相等；自相关函数数值在各个方向上都小。 

（3）图像中的角点。两个特征值都大，且近似相等，自相关函数在所有方向都增大。

   

根据二次项函数特征值的计算公式，我们可以求M(x,y)矩阵的特征值。但是Harris给出的角点差别方法并不需要计算具体的特征值，而是计算一个角点响应值R来判断角点。R的计算公式为：  

R=detM?α(traceM)2 

式中，detM为矩阵M=[ABBC]的行列式；traceM为矩阵M的直迹；α为经常常数，取值范围为0.04~0.06。事实上，特征是隐含在detM和traceM中，因为，  

detM=λ1λ2=AC?B2 

traceM=λ2+λ2=A+C