Harris corner detector数学理解

角点检测是图像处理里面经常遇到的一个问题，给你下面一张图片，你如何找到他的角点（或者我们说拐弯点，虽然不太严谨，但可以帮助我们理解）

首先我们需要一个检测器，在图像处理里面，我们一般都喜欢用一个N * N 的小窗口并对这个小窗口所处的区域附上一个运算，以此来作为检测器。一般N都为奇数。首先，作为边界的检测，我们可以借助梯度来理解，边缘处必是梯度的第一局部极值，也就是在边缘的两边，灰度值的变化相对会比较剧烈；但是，如果沿着边缘的方向移动，梯度的变化会比较小。那么对于角点我们怎么考虑？对于上图来看，如果检测器的中心处于角点处，那么此时我如果再向各个方向（一共八个方向）移动检测器，此时的梯度变化仍然会十分剧烈。问题来了！我们如何来刻画其灰度的变化程度？既然都已经有现成的，为了方便学习，下面直接给出公式：

其中，I为其灰度值，（x，y）为窗口的坐标。W（x，y）为该窗户内的函数，在窗口外则w（x，y）= 0 。但是，给定上面的式子，变化u，v时，我们不能很直观的看出E（u，v）的变化。所以，我们要对上式进行一些变化和近似，

将I（x+u，y+v）做上述的泰勒展开，并到一阶处，带入上面的E（u，v），我们有

观察到右边是一个二次型，由高等代数的知识我们可以知道，其可以化成x^T*A*x的矩阵向量形式。即，

其中

进一步的，通过特征值分解我们有，其中sigma矩阵为其特征值从小到大的排列的矩阵，U为其相应的归一化特征向量。[u,u]U相当于对坐标轴进行了旋转，于是我们有如下的关系

暂时先写到这，有空再完善修饰一下。