Harris角点检测

Harris角点检测

1角点特点

角点：简单理解就是在两个明显不同方向上梯度有明显变化的点，就是在水平、竖直两个方向上变化均较大的点，即Ix、Iy都较大。

边缘：若仅仅在某一个方向上梯度明显变化，即仅在水平、或者仅在竖直方向有较大的变化量，即Ix和Iy只有其一较大 则该点为边界上的点，

平坦地区：若任何方向上梯度都没有明显变化，即在水平、竖直方向的变化量均较小，即Ix、Iy都较小，则该点在光滑区域的内部。

2 角点检测启发
现在我们从零来思考角点检测问题，我们可以想到用窗口对图像进行分割：
1）若该窗口在光滑连续区域中，则在较小的范围内，无论按照哪个方向移动窗口，窗口内对应位置的像素灰度值变化较小；
2）若窗口沿着场景边界方向，则窗口内的像素灰度值变化较小，若垂直于边界方向移动，则窗口内对应位置的像素灰度值变化较大；
3）若该点为角点或者孤立点，则无论窗口沿哪个方向，窗口内对应位置的像素灰度值变化均较大。

3 Harris角点检测算法原理和步骤

1）Harris角点检测算法基本步骤:

1. Harris角点检测算法，该算法的基本原理是取以目标像素点为中心的一个小窗口，计算窗口沿任何方向移动后的灰度变化，并用解析形式表达。设以像素点(x,y)为中心的小窗口在X方向上移动u，y方向上移动v，Harris给出了灰度变化度量的解析表达式：

其中，为窗口内的灰度变化度量；为窗口函数，一般定义为

I为图像灰度函数，略去无穷小项有：

    表示限定某一个窗口内的像素点为1其余为0，其本质就是各个方向滑动窗口来求取其对应位置灰度值的差异。这里(x,y)用来表示方向向量,例如(1.0),(1,1),(0,1)等表示水平方向，45°方向和竖直方向，用来表示窗口的移动(shift).这样做的缺点较多,例如方向(x,y)的选择，很容易造成各个方向不同的能量惩罚，这里称为'anisotropic'; 另外更重要的是其对边界太敏感，容易误检测。      

将其化为二次型有：

其中，R为旋转因子，对角化处理后并不改变以u,v为坐标参数的空间曲面的形状，其特征值反应了两个主轴方向的图像表面曲率。

（1）当两个特征值均较小时，表明目标点附近区域为“平坦区域”；

（2）特征值一大一小时，表明特征点位于“边缘”上；

（3）当两个特征值均比较大时，沿任何方向的移动均将导致灰度的剧烈变化，为角点。

Harris的角点响应函数(CRF)表达式由此而得到：

其中：det(M)表示矩阵M的行列式，det(M)=λ1*λ2 ；trace(M)表示矩阵迹，trace(M)=λ1+λ2； k=0.04~0.06；当目标像素点的CRF值大于给定的阈值时，该像素点即为角点。

响应函数公式推导如下：

总的来说，对于边界情况，理想的情况是，和中一个为0，另外一个很大，当然事实上，由于噪声，通常是一个很大，另外一个相比较而言会足够小。对于光滑连续区域，则和 都很小，仅当 和 都很大时候，命中角点区域。
此时我们希望有关于E的新能量方程，使在角点处的E较大，而在边界处和光滑处E较小，其中ηi为权值系数，且η2>η1即意味着对边界的惩罚力度较大：

而所有需要计算的特征值用A与B进行相应的计算即可，这个很省事。
这里有个地方需要说明，根据A,B与C的定义可知，A*B-C*C=0

这样一来似乎没有计算Det(M)的必要，然而我们在实际操作过程中，由于噪声的存在，常常用Gaussian对窗口 进行平滑，此时计算中Det(M)不为0.

即：2 strong eigenvalues——interest point，1 strong eigenvalues——contour/edge

0 eigenvalues     ——uniform region

2 编程实现

基本步骤：

参考文献
[1].HARRIS, C. ; STEPHENS, M.: A Combined Corner and Edge Detector. In:Proceedings of the 4th Alvey Vision Conference, 1988, S. 147—151
[2].MORAVEC, H, OBSTACLE AVOIDANCE AND NAVIGATION IN THE REAL WORLD BY A SEEINGROBOT ROVER, TECH REPORT CMU-RI-TR-3, CARNEGIE-MELLON