【计算机视觉】哈里斯角点检测 Harris Corner Detection

欲速则不达，哈里斯角点检测是一个不简单也不复杂的概念方法，但是需要了解很多前置概念，一步步来。但是想要一步到位，也可以直接跳过第一部分的前置概念理解部分。

前置概念

数字图像概念

什么是数字图像概念？
这是我最喜欢的SUV，沃尔沃XC90，在我们眼中，我们都看出这是一个非常漂亮的汽车的图片，但是在计算机的识别后，是什么？

在计算机图像中，该图像是一个数组，其中包含元素数量为 192010803，其中3为三层通道Channel；而通过对图像属性的对比，发现图像的分辨率也为1920*1080。说明经过数字化处理，图像的每个像素在计算机中都被转化为一个值。

---

角点

什么是角点？

角点说白了就是物体边缘的拐点。通过对角点的识别，我们可以实现很多功能，比如：
实现图片的拼接：


三维重建：

等等…

---

哈里斯角点原理

通过对比下述三张图，理解哈里斯对于角点的定义。

首先，我们选择一个合适大小的像素框，如途中金黄色区域。我们试图通过对框中像素值的变化去探究是否为角点。
第一个 flat，我们在上下左右以及对角线移动像素框时，会发现框中的值几乎没有变化，全部为黑色值0；
第二个 edge，我们在上下移动时，发现像素框中值没有变化，但是左右移动时以及对角线移动时会发生变化；
第三个 corner，我们不论上下移动还是左右移动还是对角线移动，都会发生变化，所以其为角点。

将上述哈里斯角点原理化为公式来看：
$$E(u,v)=\sum _{x,y}w(x,y)[I(x+u,y+v)-I(x,y){]}^2$$
其中，$u,v$ 分别代表着在竖直和水平方向上的偏移，$w(x,y)$ 为像素框的中心；$I(x+u,y+v)$ 为像素框位移之后坐标加偏移 $(x+u,y+v)$ 的灰度值，$I(x,y)$ 为位移之前坐标位置 $(x,y)$ 的灰度值。

其结果：E代表的就是 “平移前选定的红框中每个像素” 与 “平移后选定的绿框的每个像素” 对应位置的差的平方和。

---

泰勒展开

泰勒展开将一些复杂的函数逼近近似的表示为简单的多项式函数。
$$f(x)=f(x_0)+f^{\prime }(x_0)(x-x_0)+\frac{f^{\prime \prime }(x_0)}{2}(x-x_0{)}^2+...+\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n+o[(x-x_0{)}^n]$$

上述泰勒公式使用的余项是皮亚诺余项。

通过上图理解，通过不断的进行泰勒展开，不断逼近原函数曲线；我们可以通过泰勒公式来获取函数的信息。

---

哈里斯角点检测与泰勒公式

通过一阶泰勒公式 $f(x)=f(x_0)+f^{\prime }(x_0)(x-x_0)$，我们可以将哈里斯角点检测灰度值函数 $I(x+u,y+v)$ 公式化为：
$$I(x+u,y+v)\approx I(x,y)+I_{x}u+I_{y}v$$

其中
$$I_{x}u=\frac{dI}{dx}u；I_{y}v=\frac{dI}{dy}v$$

所以有：

$E(u,v)={\sum }_{x,y}w(x,y)[I(x+u,y+v)-I(x,y){]}^2$
$\approx w(x,y){\sum }_{x,y}[I(x,y)+I_{x}u+I_{y}v-I(x,y){]}^2$
$=w(x,y){\sum }_{x,y}[I_{x}u+I_{y}v{]}^2$
$=w(x,y){\sum }_{x,y}(I_x^2{u}^2+2I_x{I}_{y}uv+I_y^2{v}^2)$

而又因为 $w(x,y)$ 代表的就是像素框中心点值，不是我们主要研究的部分，可以暂时从 $E(u,v)$ 的计算中提出来，所以可以将 $E(u,v)$ 表示为：

$E(u,v)=[u^2{\sum }_{x,y}{I}_x^2+2uv{\sum }_{x,y}{I}_x{I}_y+v^2{\sum }_{x,y}{I}_y^2]$

转换成矩阵形式：

推导如下：

下一步，我们需要对 $I_x$ 与 $I_y$ 的意义进行探究。

---

探究 $I_x$ 与 $I_y$ 值的意义

首先，上述已经说明，$I_x=\frac{dI}{dx}$，$I_y=\frac{dI}{dy}$，$I(x,y)$ 代表着 $(x,y)$ 点的像素值。

其次，我们有求 平移前后对应像素差平方值的函数 $E(u,v)$

我们可以将该函数表示为：

即：

所以我们下面将对矩阵 $M$ 进行研究：

对于每一个边缘上的点而言，当 $\frac{dI}{dx}$ 有意义时，$\frac{dI}{dy}$ 值很小约为0；当$\frac{dI}{dy}$ 有意义时，$\frac{dI}{dx}$ 值很小约为0。当然除了角点。如图所示：

所以一共存在三种情况的点：

• 不在边界的 $\frac{dI}{dx}=\frac{dI}{dy}\approx 0$ 的点
• 在边界的 $\frac{dI}{dx}>>0，\frac{dI}{dy}\approx 0$ 或 $\frac{dI}{dy}>>0，\frac{dI}{dx}\approx 0$ 的点；
• 角点 $\frac{dI}{dx}>>0，\frac{dI}{dy}>>0$

如果向完全理解 $\frac{dI}{dx}$ 与 $\frac{dI}{dy}$，需要结合 索贝尔 (Sobel) 算子 进行理解。

---

索贝尔算子 Sobel

因为本节博客主要介绍哈里斯角点检测，所以这里只简单介绍一下索贝尔算子。

首先，明确索贝尔算子的作用为 边缘检测。
索贝尔有两个算子，一个是检测水平边缘；另一个是检测垂直边缘；

$e.g.$ 假设我们想要检测原始图像 $A$ 的横向边缘以及纵向边缘，$G_x$ 为横向索贝尔算子，$G_y$ 为纵向索贝尔算子。

$e.g.$ 案例：对比下面三个原始图片的索贝尔算子结果：

代码：

# 索贝尔算子
import cv2

cv2.namedWindow('video', cv2.WINDOW_NORMAL)
cv2.resizeWindow('video', 640, 480)

img = cv2.imread("Sobel_0.png")

sobel_x = cv2.Sobel(img[:, :, 0], cv2.CV_16S, 1, 0)
sobel_y = cv2.Sobel(img[:, :, 0], cv2.CV_16S, 0, 1)

absX = cv2.convertScaleAbs(sobel_x)
absY = cv2.convertScaleAbs(sobel_y)
# # 横向边缘检测
# dst = cv2.addWeighted(absX, 1, absY, 0, 0)
# # 纵向边缘检测
# dst = cv2.addWeighted(absX, 0, absY, 1, 0)
# 横向+纵向边缘检测
dst = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
cv2.imshow("video", dst)

cv2.waitKey(0)
cv2.destroyAllWindows()

 

  
 

原始图片： Sobel_0.png；Sobel_1.png；Sobel_2.png

对三个图片分别做横向边缘检测：

对三个图片分别做纵向边缘检测：

对三个图片分别做横向+纵向边缘检测：

以上便是Sobel算子的基本实现。

---

回到哈里斯，结合索贝尔，继续探究 $I_x$ 与 $I_y$：

构建三种情况下梯度统计图与梯度图：

梯度统计图： $I_x$ 为水平方向的梯度值，$I_y$ 为竖直方向的梯度值。

很明显，平坦点几乎没有什么梯度变化，周围没有什么像素的变化，值趋近于0；
而边缘点，只有一个方向有梯度变化，上上图中区域2的变化是在水平移动有像素值有变化，竖直方向移动，像素值几乎没有变化；
而角点，两个方向的移动都会有梯度的变化，都有像素值的大量改变。

梯度图：

平坦点的移动几乎没有任何像素值的变化；
边缘点的移动会在一个方向有大量像素值的变化，而另一个方向如同平坦点一样；
角点会在两个方向都有大量像素值的变化。

通过上述加强了对：角点与边缘和平坦的理解，下面将回归公式，从对角点响应大小判定的方案去判定是否为角点。

---

角点响应

角点响应公式：$$R=det(M)-k(trace(M){)}^2$$
其中：
$det(M)$ 为求矩阵M的行列式的值，$det(M)=I_x^2\ast I_y^2-I_x{I}_y\ast I_x{I}_y$；
$k$ 称为经验值，一般为 $0.04$~$0.06$；
$trace(M)$ 为矩阵对角线的和，$trace(M)=I_x^2+I_y^2$

通过 $R$ 的值，来判断是角点的强度，也可以说来判断是角点的真实性。

前置知识到此结束，下面将通过代码案例实际进行一张图片的角点检测。

---

哈里斯角点检测一般流程

1、彩色图像转化为灰阶图像；
2、计算空间微分（泰勒展开）；
3、建构结构张量（Sobel算子）；
4、计算哈里斯响应（角点响应）；
5、非极大值抑制（筛选点）。

---

哈里斯角点检测python代码

# harris detector

import cv2
import numpy as np

'''
    image: 源图片；
    blocksize：窗口大小；
    ksize：索贝尔梯度计算的Kernel大小；
    k：角点响应R的经验值系数。
'''
def cornerHarris(image, blocksize=2, ksize=3, k=0.04):

    def _clacHarris(cov,k):
        result = np.zeros([cov.shape[0], cov.shape[1]], dtype=np.float32)
        for i in range(cov.shape[0]):
            for j in range(cov.shape[1]):
                a = cov[i, j, 0]
                b = cov[i, j, 1]
                c = cov[i, j, 2]
                result[i, j] = a * c - b * b - k * (a + c) * (a + c)

        return result

    # Sobel
    sobel_x = cv2.Sobel(image, cv2.CV_32F, 1, 0, ksize=ksize)
    sobel_y = cv2.Sobel(image, cv2.CV_32F, 0, 1, ksize=ksize)

    # 建立存储R值矩阵
    cov = np.zeros([image.shape[0], image.shape[1], 3], dtype=np.float32)

    # 计算Ix^2,Iy^2与Ix*Iy
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            cov[i,j,0] = sobel_x[i,j] * sobel_x[i,j]
            cov[i,j,1] = sobel_x[i,j] * sobel_y[i,j]
            cov[i,j,2] = sobel_y[i,j] * sobel_y[i,j]

    # 计算梯度和
    cov = cv2.boxFilter(cov, -1, (blocksize, blocksize), normalize=False)

    return _clacHarris(cov,k)

if __name__ == '__main__':
    img = cv2.imread("harris_detector.jpg")
    # 将图片转化为灰度图
    gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 哈里斯角点检测
    result = cornerHarris(gray_img, 2, 3, 0.04)
    # 筛选
    pos = cv2.goodFeaturesToTrack(result, 0, 0.01, 10)
    for i in range(len(pos)):
        cv2.circle(img, (int(pos[i][0][0]), int(pos[i][0][1])), 1, [255,0,0], thickness=2)
    cv2.imshow('harris',img)
    cv2.waitKey(0)

 

  
 

角点检测结果

---

Final：哈里斯角点检测小结

哈里斯角点检测，主要用于用图像中找出代表角点的特征点。

角点是图像中最重要的特征，基本上角点的特性不会受到旋转、平移以及图像亮度的影响。所以虽然角点只是一张图像中很小的一部分，但是通常却代表着一张图像中最重要的特征。

---

2022年11月1日
HK理工大学 包玉刚图书馆

转载：https://blog.csdn.net/weixin_43098506/article/details/127622822