通俗易懂的Harris 角點(diǎn)檢測
來源:公眾號(hào)|3D視覺工坊(系投稿)
作者:追求卓越583
「3D視覺工坊」技術(shù)交流群已經(jīng)成立,目前大約有12000人,方向主要涉及3D視覺、CV&深度學(xué)習(xí)、SLAM、三維重建、點(diǎn)云后處理、自動(dòng)駕駛、CV入門、三維測量、VR/AR、3D人臉識(shí)別、醫(yī)療影像、缺陷檢測、行人重識(shí)別、目標(biāo)跟蹤、視覺產(chǎn)品落地、視覺競賽、車牌識(shí)別、硬件選型、學(xué)術(shù)交流、求職交流、ORB-SLAM系列源碼交流、深度估計(jì)等。工坊致力于干貨輸出,不做搬運(yùn)工,為計(jì)算機(jī)視覺領(lǐng)域貢獻(xiàn)自己的力量!歡迎大家一起交流成長~
添加小助手微信:CV_LAB,備注學(xué)校/公司+姓名+研究方向即可加入工坊一起學(xué)習(xí)進(jìn)步。
QQ群「3D視覺研習(xí)社」,群號(hào):574432628
Harris 角點(diǎn)檢測 認(rèn)為?特征點(diǎn)具有局部差異性。
如何描述“特征點(diǎn)具有局部差異性”:
以每一個(gè)點(diǎn)為中心,取一個(gè)窗口,窗口大小為5*5或7*7像素大小。
這個(gè)窗口描述了這個(gè)特征點(diǎn)周圍的環(huán)境。
如果這個(gè)特征點(diǎn)具有局部差異性,那么以這個(gè)特征點(diǎn)為中心,把窗口向360度任意一個(gè)方向移動(dòng),窗口的變化比較大,則這個(gè)特征點(diǎn)的周圍環(huán)境變化比較大。
數(shù)學(xué)公式:

(x,y):表示像素的位置。

:表示窗口內(nèi)的每個(gè)像素。
w(x,y):表示 這個(gè)位置的權(quán)重。
若w=1,則說明窗口中所有的像素貢獻(xiàn)是一樣的。
若w設(shè)置為以這個(gè)特征點(diǎn)為中心的高斯,
高斯權(quán)重,說明距離這個(gè)特征點(diǎn)越近,權(quán)重越大;越往周圍發(fā)散,權(quán)重越小。
I(x,y):表示(x,y)這個(gè)位置的像素值。如果是灰度圖,I就是灰度值,如果是彩色圖,I就是RGB值。
u和v表示窗口移動(dòng)的方向。
I(x+u,y+v) - I(x,y):表示對應(yīng)像素的灰度差異。

:在整個(gè)窗口內(nèi),即在局部環(huán)境內(nèi)求這個(gè)像素灰度差異的加權(quán)和。
對 I(x+u,y+v) - I(x,y)進(jìn)行一階泰勒展開,得到

在(x,y)處的灰度值,再加上u方向和v方向的偏導(dǎo)數(shù)。
整理后,結(jié)果為:

u和v表示窗口移動(dòng)的方向, H表示Harris矩陣,主要由圖像梯度表示。
對Harris矩陣進(jìn)行特征分解:

得到兩個(gè)特征值

,矩陣的這兩個(gè)特征值反映了:兩個(gè)相互垂直的方向上的變化情況。
一個(gè)是變化最快的方向,一個(gè)是變化最慢的方向。
前面設(shè)置了u和v,這是兩個(gè)向量,表示窗口移動(dòng)的方向。以(x,y)這個(gè)點(diǎn)為中心,進(jìn)行360度的旋轉(zhuǎn)。
特征值

對應(yīng)的特征向量,確定了變化最快的方向和變化最慢的方向。其他方向的變化情況,介于這兩者之間。


通過對Harris矩陣的分析,得到如下結(jié)論:
只有當(dāng)Harris矩陣的兩個(gè)特征值

都非常大的時(shí)候,特征點(diǎn)才能和周圍環(huán)境區(qū)別比較大,是我們想要的特征點(diǎn)。
現(xiàn)在檢測特征的任務(wù)就變成了,計(jì)算Harris矩陣,并判斷其兩個(gè)特征值

的大小。
Harris角點(diǎn)準(zhǔn)則
實(shí)際中,并不對Harris矩陣進(jìn)行分解求其特征值,因?yàn)橛?jì)算量太大。而是使用Harris角點(diǎn)準(zhǔn)則。

C = Harris矩陣的行列式值 – k(Harris矩陣的跡)2
Harris矩陣的行列式值:Harris矩陣特征值

的乘積
Harris矩陣的跡:Harris矩陣特征值

的和
k的值越小,檢測子越敏感。k的值越小,能檢測到的特征點(diǎn)越多。
只有當(dāng)和同時(shí)取得最大值時(shí), 才能取得較大值。
避免了特征值分解,提高檢測計(jì)算效率。
本文僅做學(xué)術(shù)分享,如有侵權(quán),請聯(lián)系刪文。