引言在上一节我们已介绍Moravec检测器，它仅仅在8个方向（水平、垂直和四个对角方向）计算灰度变化，为了对其扩展，有必要设计一个可以在任何方向对灰度变化进行测度的函数。1988年，Harris和Stephen通过对Moravec算子进行展开，推导得到了Plessey算子，也即Harris算子。即Harris比Moravec有所提升，因它考虑了角评分(平方差的和)的差分。 基本理论考察一幅二维有灰度图像f，取出一个图像块 角点不受光圈问题的影响，对于所有 此时， 其中Harris矩阵 通常会使用一个各向同性窗，比如高斯窗，其响应也是各向同性的。局部结构矩阵A代表邻域：Harris矩阵A是半正定对称矩阵。其主要变化模式对应于正交方向的偏微分，并由矩阵A的特征值反映出来。在有关文献中建议，通过计算响应函数 算法Harris角点检测1.对图像进行高斯滤波。 2.对每个像素，估计其垂直两方向的梯度值。使用近似于导数的核做两次一维卷积即可。 3.对于每一个像素和给定的邻域窗口： 1)计算局部结构矩阵A 2)计算响应函数R(A) 4.选取响应函数R(A)的一个阈值，以选择最佳候选角点，并完成非最大化抑制。 Harris角点检测器的优点是对二维平移和旋转，少量光照变化，少量视角变化都不每感，而且其计算其很小。另一方面，当有较大变化，视角变化以及对比鲜明的剧烈变化时，它就失去了原先的不变性。 参考文献[1] Svoboda T.nKybic J., and Hlavac V. "Image Processing Analysis and Machine Vision". Thomson Engineering 2008.
[2] C. Harris and M.J. Stephens, "A combined corner and edge detector" Alvey Vision Conference, pp. 147–152, 1988.
[3] J. Shi and C. Tomasi, "Good features to track", Int. Conference on Computer Vision and Pattern Recognition, pp. 593-600, 1994.
[4] K. Mikolajczyk and C. Schmid, "Scale and Affine invariant interest point detectors", International Journal of Computer Vision, vol 60, no 1, pp. 63-86, 2004,
[5] E. Rosten and T. Drummond, "Machine learning for high-speed corner detection", in In European Conference on Computer Vision, pp. 430-443, 2006.
|
|
|
,并平移
。图像块W内的图像f值与其平移后的图像之差平方和S为：
都是高响应。如果平移图像用一阶泰勒展开近似。则可以表示为：
是S在点(x, y) = (0, 0)处二阶导数。A为：
，可避免精确的特征值计算，其中det(M)为局部结构矩阵M的行列式，trace(M)为矩阵M的迹，K是可调参数。一般在0.04－0.15之间。
