Harris角点检测及代码分析（续）

紧接着“Harris角点检测及代码分析”，这里主要分析OpenCV的cvGoodFeaturesToTrack()函数，这才是角点提取的真正代码。
Jianbo Shi, Carlo Tomasi. Good Features to Track. CVPR94
时间：2015-05-25 16:12

算法步骤

1. cvCornerHarris()函数仅计算出每个像素单元的R值，然后再对R进行过滤，仅留下≥β×maxR的像素点；
2. 非极大值抑制（Non-Maximum Suppression），我看到网上很多人直接Dilate-Image && Origin-Image，但这样会形成角点块，除非有下面的步骤；
3. 对该阶段的角点R值进行降序排序；
4. 距离滤波器，过滤点靠太近的点，留下R值高的角点。

代码分析

便于理解先看OpenCV1.0的cvGoodFeaturesToTrack()源码，已删除了与理解算法无关的代码。

void cvGoodFeaturesToTrack(...){    // 是否使用harris角点响应器    if(use_harris)    {        // harris角点响应值，det(M)-a*(trace(M))^2        cvCornerHarris(img, eig, block_size, 3, harris_k);    }    else    {        // 用最小特征值作为响应值        cvCornerMinEigenVal(img, eig, block_size, 3);    }    cvMinMaxLoc(eig, 0, &max_val, 0, 0, mask);    cvThreshold(eig, eig, max_val * 0.01, 0, CV_THRESH_TOZERO);    cvDilate(eig, tmp);    min_dist = cvRound(min_distance * min_distance);    // 检查原响应图与dilate图的每个像素，如果不为0且相等，则为候选角点    for(y = 1, k = 0; y < size.height - 1; y++）    {        for(x = 1; x < size.width - 1; x++)        {            if(eig_data[x] != 0 && eig_data[x] == tmp_data[x])                ptr_data[k++] = eig_data + x;        }    }    // 对候选角点按响应值降序排序    icvSortFeatures( ptr_data, k, 0 );    // 遍历所有候选角点，如果当前角点与前面所有角点的欧式距离小于min_dist，    // 则标记为真正角点    for(i = 0; i < k; i++)    {        for(j = 0; j < count; j++)        {            int dx = x - ptr[j].x;            int dy = y - ptr[j].y;            int dist = dx * dx + dy * dy;            if(dist < min_dist)                break;        }        if(j == count)        {            ptr[count].x = x;            ptr[count].y = y;            if(++count >= max_count)                break;        }    }}

算法优化

OpenCV2.0以上版本在goodFeaturesToTrack()函数中对距离滤波器做了修改，应该是为了加速做的改进。具体方法为：

1. 对整张图像划分网格，每个网格的大小为min_dist * min_dst，网格数量为grid_width * grid_height；
2. 建立二维矩阵，grid(grid_width * grid_height)，用来存放最终标记的角点；
3. 进行距离滤波时，计算出候选角点所在网格，仅需检测网格8领域的角点与候选角点的距离，就能快速verify。

为了保证能计算出比较多的角点，一般min_dist设置得比较小，如果10，针对一张640 * 480的图像检测角点，应该能有不错的性能提升。