角点检测--基于梯度的方法（Moravec角点检测、Harris角点检测、Shi-Tomasi角点检测）

Moravec Detector

Moravec角点检测是第一个提出兴趣点(interest points)的Paper。它的主要思想是：以每个像素为中心，有一个固定的滑动窗口。该方法计算并在八个方向上（纵横以及斜对角）搜索每个像素的最小强度变化，如果最小值大于给定阈值，则检测出感兴趣点。

其可以用数学公式表达为：$E(u,v)={\sum }_{x,y}w(x,y)[I(x+u,y+v)-I(x,y){]}^2$

• $E(u,v)$代表像素中心$(x,y)$在偏移量$(u,v)$的方向上的强度变化。

• $w(x,y)$是一个指示函数，当$(x,y)$在滑动窗口内时，为1，若在滑动窗口外，则为0.

• $I(x,y)$指的是在像素点(x,y)处的光强或者说是灰度值。

值得说明的是，这个式子是Harris总结的。

Harris Corner Detector

Moravec存在着许多不足。非常重要的一点就是：由于对于灰度值变化的梯度判断是离散的进行在8个方向，所以不具有旋转不变性；同时还会出现误判，尤其是当一条线不平行于这八个方向时，线上的点也会被误检测为角点。

为了进一步改进Moravec角点检测，Harris提出了著名的Harris角点检测。

$$\begin{array}{rl}& E(u,v)=\sum _{(x,y)}w(x,y)[I(x+u,y+v)-I(x,y){]}^2\\ & \approx \sum _{(x,y)}w(x,y){\left[I(x,y)+\frac{\partial I}{\partial x}(x,y)u+\frac{\partial I}{\partial y}(x,y)v-I(x,y)\right]}^2\text{ (一阶泰勒展开) }\\ & \approx \sum _{(x,y)}w(x,y){\left[\frac{\partial I}{\partial x}(x,y)u+\frac{\partial I}{\partial y}(x,y)v\right]}^2\text{ (消除重复项) }\\ & =\sum _{x,y}w(x,y)\left(u^2{f}_x^2(x,y)+2uv{f}_x(x,y)f_y(x,y)+v^2{f}_y^2(x,y)\right)\\ & \begin{array}{l}={\sum }_{x,y}w(x,y)\left(u^2{I}_x^2+2uv{I}_x{I}_y+v^2{I}_y^2\right)\text{ (简化) }\\ =\left[\begin{array}{ll}u& v\end{array}\right]\left(\sum w(x,y)\left[\begin{array}{cc}{I}_x^2& I_x{I}_y\\ I_x{I}_y& I_y^2\end{array}\right]\right)\left[\begin{array}{l}u\\ v\end{array}\right]\\ ={\left[\begin{array}{l}u\\ v\end{array}\right]}^{T}H\left[\begin{array}{l}u\\ v\end{array}\right]\end{array}\end{array}$$
可以看到，E的变化主要与H的大小相关。所以只需要分析H的变化就可以得到E的变化趋势。

图像梯度：$\Delta I(x,y)=\left(\frac{\partial I}{\partial x}(x,y),\frac{\partial I}{\partial y}(x,y)\right)$

Harris矩阵：$H=\left[\begin{array}{cc}{\sum }_{(x,y)}w(x,y){\left(\frac{\partial I}{\partial x}(x,y)\right)}^2& {\sum }_{(x,y)}w(x,y)\left(\frac{\partial I}{\partial x}(x,y)\right)\frac{\partial I}{\partial y}(x,y))\\ {\sum }_{(x,y)}w(x,y)\left(\frac{\partial I}{\partial x}(x,y)\right)\frac{\partial I}{\partial y}(x,y))& {\sum }_{(x,y)}w(x,y){\left(\frac{\partial I}{\partial y}(x,y)\right)}^2\end{array}\right]$

w：表示权重，可以是0/1， 也可以是以点为中心的高斯权重。

图像的水平梯度与垂直梯度：$I_x=\frac{\partial I(x+u,y+v)}{\partial x}{I}_y=\frac{\partial I(x+u,y+v)}{\partial y}$

Harris矩阵的特征值分析

对于图像：

• 平坦区域：梯度方向各异，但是梯度幅值变化不大
• 线性边缘：梯度幅值改变较大，梯度方向改变不大
• 角点：梯度方向和梯度幅值变化都较大

$\mathbf{H}$就是Harris矩阵。对其进行奇异值分解，两个特征值分别反映互相垂直方向上的梯度变化情况，分别代表最快和最慢的方向。特征值大的变化快，特征值小的变化慢。

进行特征值分解：$SVD(H)=U\sum V,\left({\lambda }_1,{\lambda }_2\right),{\lambda }_1>{\lambda }_2$

那么就有：

• 特征值都比较大，则窗口中含有角点。
• 特征值一个比较大，一个比较小，则窗口中含有边缘线。
• 特征值都比较小，则处在平坦区域。

Harris角点准则

$$\det H={\lambda }_1{\lambda }_2$$

$$\mathrm{trace}H={\lambda }_1+{\lambda }_2$$

所以某点的响应函数：

$R=\det (H)-\mathrm{ktrace}(H{)}^2={\lambda }_1{\lambda }_2-k{\left({\lambda }_1+{\lambda }_2\right)}^2,k=0.04$

利用C与阈值比较判断，来判断其是否是角点。

• $R<0$ 边缘点
• $R\approx 0$ 平坦点
• $R>0$ 角点

Shi-Tomasi 角点检测

在Harris角点检测的基础上，Shi和Tomasi 在1993的一篇论文《Good Features to track》中提出了基于Harris角点检测的Shi-Tomasi方法。

Harris角点检测的稳定性与k值有关，而k是个经验值。不好设定。

在此基础上，Shi与Tomasi发现，焦点的稳定性与矩阵的较小的特征值有关，直接使用较小的特征值作为分数。

所以：
$R=\min \left({\lambda }_1,{\lambda }_2\right)$