Harris角点检测原理

一.特征点的定义
粗略的讲，特征就是有意义的图像区域，该区域具有独特特征和易于识别性。
二.角点的定义
在几何上，指相交的点；
在cv里面，指像素点各方向发生变化较大的点。
三.Harris角点检测的基本思想
算法基本思想是使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。
之所以用一个窗口来衡量灰度变化，是为了方便测量，计算平均值比较准确地来表示区域是否为角点

1、灰度变化描述
当窗口发生[u,v]移动时，那么滑动前与滑动后对应的窗口中的像素点灰度变化描述如下：

窗口函数w（x，y）代表窗口的像素比，一种是采用均值（全为1），另一种则是采用高斯核（服从高斯分布）。w(x,y) 是窗口函数，最简单情形就是窗口W内的所有像素所对应的w权重系数均为1.但有时候，我们会将w(x,y)函数设置为以窗口W中心为原点的二元正太分布。如果窗口W中心点是角点时，移动前与移动后，该点在灰度变化贡献最大；而离窗口W中心(角点)较远的点，这些点的灰度变化几近平缓，这些点的权重系数，可以设定小值，以示该点对灰度变化贡献较小，那么我们自然而然想到使用二元高斯函数来表示窗口函数
2.E(u,v) 化简
首先需要了解泰勒公式，任何一个函数表达式，均可有泰勒公式进行展开，以逼近原函数，我们可以对下面函数进行一阶展开。
泰勒级数展开式

所以E(u,v)表达式可以更新为：

二次项函数本质上就是一个椭圆函数。椭圆的长和宽是由MM的特征值λ1,λ2决定的(椭圆的长短轴正是矩阵M特征值平方根的倒数)，椭圆的方向是由M的特征向量决定的，椭圆方程为：

如果使用椭圆进行数据集表示，则绘制图示如下：

因此可以得出下列结论：

(1.特征值都比较大时，即窗口中含有角点；
(2.特征值一个较大，一个较小，窗口中含有边缘；
(3.特征值都比较小，窗口处在平坦区域；
3.如何度量角点响应
通常用下面表达式进行度量，对每一个窗口计算得到一个分数R，根据R的大小来判定窗口内是否存在harris特征角。分数R根据下面公式计算得到：

这里λ1,λ2是矩阵M的2个特征值，k是一个指定值，这是一个经验参数，需要实验确定它的合适大小，通常它的值在0.04和0.06之间,它的存在只是调节函数的形状而已。