Harris角点检测原理与流程

本博文来自于微信公众号 “智能算法”的分享！

1. 角点概述

角点是图像很重要的特征,对图像图形的理解和分析有很重要的作用。角点在保留图像图形重要特征的同时,可以有效地减少信息的数据量,使其信息的含量很高,有效地提高了计算的速度,有利于图像的可靠匹配,使得实时处理成为可能。角点在三维场景重建运动估计，目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。

在现实世界中，角点对应于物体的拐角，道路的十字路口、丁字路口等。从图像分析的角度来定义角点可以有以下两种定义：

a. 角点可以是两个边缘的角点；

b. 角点是邻域内具有两个主方向的特征点；

前者往往需要对图像边缘进行编码，这在很大程度上依赖于图像的分割与边缘提取，具有相当大的难度和计算量，且一旦待检测目标局部发生变化，很可能导致操作的失败。早期主要有Rosenfeld和Freeman等人的方法，后期有CSS等方法。基于图像灰度的方法通过计算点的曲率及梯度来检测角点，避免了第一类方法存在的缺陷，此类方法主要有Moravec算子、Forstner算子、Harris算子、SUSAN算子等。这篇文章主要介绍的Harris角点检测的算法原理。

---

2. Harris角点检测基本原理

人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时，窗口内图像的灰度没有发生变化，那么窗口内就不存在角点；如果窗口在某一个方向移动时，窗口内图像的灰度发生了较大的变化，而在另一些方向上没有发生变化，那么，窗口内的图像可能就是一条直线的线段。如下图：

首先，将图像窗口平移[u,v]产生灰度变化的自相关函数如下：

其中窗口函数可以是平坦的，也可以是高斯的如下图：

然而将平移后的式子进行泰勒展开如下：

则

由于是对局部微小的移动量 [u,v]，所以 可以近似得到下面忽略余项之后的表达式为一个二项式函数：

又有

所以，

其中，M的表达式如下，可由图像的导数求得：

上面我们说到，忽略余项之后的表达式为一个二项式函数，然而二项式函数的本质上就是一个椭圆函数，椭圆的扁率和尺寸是由M(x,y)的特征值λ1、λ2决定的，椭圆的方向是由M(x,y)的特征矢量决定的，如下图所示，椭圆方程为：

椭圆函数特征值与图像中的角点、直线（边缘）和平面之间的关系如下图所示。共可分为三种情况：

a. 图像中的直线。一个特征值大，另一个特征值小，λ1>λ2或λ2>λ1。自相关函数值在某一方向上大，在其他方向上小。

b. 图像中的平面。两个特征值都小，且近似相等；自相关函数数值在各个方向上都小。

c. 图像中的角点。两个特征值都大，且近似相等，自相关函数在所有方向都增大。

由于我们是通过M的两个特征值的大小对图像进行分类，所以，定义角点相应函数R：

其中k为经验常数，一般取k=0.04~0.06。

所以，上图可以转化为：

其中：

•  R 只与M的特征值有关

• 角点：R 为大数值正数

• 边缘：R 为大数值负数

• 平坦区：R 为小数值

在判断角点的时候，–对角点响应函数R进行阈值处理：R > threshold，提取R的局部极大值。

3. 实例效果

原图如下：

Harris角点检测之后的图：

参考文献：

http://www.360doc.com/content/15/1212/23/20007814_519967668.shtml

http://wenku.baidu.com/view/f876c35d6c175f0e7dd13742.html?from=search