通俗易懂的Harris 角点检测作者：追求卓越583来源：微信

作者：追求卓越583
来源：微信公众号@3D视觉工坊
Harris 角点检测认为特征点具有局部差异性。
如何描述“特征点具有局部差异性”：
以每一个点为中心，取一个窗口，窗口大小为5*5或7*7像素大小。
这个窗口描述了这个特征点周围的环境。
如果这个特征点具有局部差异性，那么以这个特征点为中心，把窗口向360度任意一个方向移动，窗口的变化比较大，则这个特征点的周围环境变化比较大。
数学公式：
文章插图
（x,y）：表示像素的位置。
文章插图
：表示窗口内的每个像素。
w(x,y)：表示这个位置的权重。
若w=1 ，则说明窗口中所有的像素贡献是一样的。
若w设置为以这个特征点为中心的高斯，
高斯权重，说明距离这个特征点越近，权重越大；越往周围发散，权重越小。
I(x,y)：表示(x,y)这个位置的像素值。如果是灰度图， I就是灰度值，如果是彩色图， I就是RGB值。
u和v表示窗口移动的方向。
I(x+u,y+v) - I(x,y)：表示对应像素的灰度差异。
文章插图
【通俗易懂的Harris 角点检测】：在整个窗口内，即在局部环境内求这个像素灰度差异的加权和。
对 I(x+u,y+v) - I(x,y)进行一阶泰勒展开，得到
文章插图
在(x,y)处的灰度值，再加上u方向和v方向的偏导数。
整理后，结果为：
文章插图
u和v表示窗口移动的方向，H表示Harris矩阵，主要由图像梯度表示。
对Harris矩阵进行特征分解：
文章插图
得到两个特征值
文章插图
，矩阵的这两个特征值反映了：两个相互垂直的方向上的变化情况。
一个是变化最快的方向，一个是变化最慢的方向。
前面设置了u和v ，这是两个向量，表示窗口移动的方向。以(x,y)这个点为中心，进行360度的旋转。
特征值
文章插图
对应的特征向量，确定了变化最快的方向和变化最慢的方向。其他方向的变化情况，介于这两者之间。
文章插图
文章插图
通过对Harris矩阵的分析，得到如下结论：
只有当Harris矩阵的两个特征值
文章插图
都非常大的时候，特征点才能和周围环境区别比较大，是我们想要的特征点。
现在检测特征的任务就变成了，计算Harris矩阵，并判断其两个特征值
文章插图
的大小。
Harris角点准则实际中，并不对Harris矩阵进行分解求其特征值，因为计算量太大。而是使用Harris角点准则。
文章插图
C = Harris矩阵的行列式值 – k(Harris矩阵的迹)2
Harris矩阵的行列式值：Harris矩阵特征值
文章插图
的乘积
Harris矩阵的迹：Harris矩阵特征值
文章插图
的和

k的值越小，检测子越敏感。 k的值越小，能检测到的特征点越多。
只有当和同时取得最大值时，才能取得较大值。
避免了特征值分解，提高检测计算效率。

本文仅做学术分享，如有侵权，请联系删文。
下载1
在「计算机视觉工坊」公众号后台回复：深度学习，即可下载深度学习算法、3D深度学习、深度学习框架、目标检测、GAN等相关内容近30本pdf书籍。
下载2
在「计算机视觉工坊」公众号后台回复：计算机视觉，即可下载计算机视觉相关17本pdf书籍，包含计算机视觉算法、Python视觉实战、Opencv3.0学习等。