CN106529548A - 亚像素级的多尺度Harris角点检测算法 - Google Patents
亚像素级的多尺度Harris角点检测算法 Download PDFInfo
- Publication number
- CN106529548A CN106529548A CN201610922508.6A CN201610922508A CN106529548A CN 106529548 A CN106529548 A CN 106529548A CN 201610922508 A CN201610922508 A CN 201610922508A CN 106529548 A CN106529548 A CN 106529548A
- Authority
- CN
- China
- Prior art keywords
- point
- sigma
- pixel
- corner point
- scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000001629 suppression Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 230000002146 bilateral effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明针对传统Harris算法检测角点需要人为设置阈值,不具有尺度多样性,角点为像素级等问题。本发明提出一种基于亚像素级的Harris多尺度角点检测方法,在Harris角点算法的基础上,建立尺度空间,使Harris角点检测算法具有尺度多样性,并以两次非极大值抑制,寻找备选角点,避免人为设定阈值带来的误差,再通过对不同的尺度空间的Laplace响应值进行比较,确定角点,并得到该点的特征尺度。最后通过对像素点矩阵进行高斯曲面拟合,实现图像角点的精确定位。实验表明,该算法不仅可以实现角点检测多尺度,并且可以使角点精度亚像素级,精度更高。
Description
技术领域
本发明属于一种图像检测方法,具体为一种针对传统Harris角点的亚像素级别的检测方法。
技术背景
在机器视觉研究中,角点检测是一个重要环节。在摄像机标定,立体匹配,三维重建等计算机视觉处理任务中起重要作用。角点作为图像的一个重要的直观局部特征,能够有效保证图像的重要信息,同时减少了信息的数据量,运算量。角点检测效果直接影响后期图像处理工作的进行,所以好的检测算法很重要。
目前角点检测算法大致分为两类:一类是通过以链码的形式提取图像的边缘,从而进行角点的寻找,另一类基于图像的灰度信息的进行角点检测。第一类算法需要对图像的边缘进行操作,对边缘线完整性的要求较高,且计算量大,目前算法有K-R(Kitchen-Rosenfeld)算法;第二类算法是直接针对灰度图像进行操作,计算图像灰度分布的曲率,以最大曲率的点作为角点,但是算法精度较差,容易受噪声的影响,此类算法较多,主要有Harris,Moravec,Susan算子,其中Harris算法是最为广泛运用的算法。
一般来说,图像中的角点的尺度信息都是未知且具有尺度上的偏差,然而在检测角点时,利用较小的尺度寻找角点时定位精度精确,但会检测到较多的伪角点。利用大尺度检测检点时,可以有效的检测真实的角点,但是角点的定位不准确。结合大尺度下角点检测的去伪和小尺度的定位精确性,可以实现角点检测的精度和准确性。
Harris算法通过微分运算和自相关矩阵来检测角点。记像素点(x,y)的灰度值为f(x,y),像素点(x,y)移动(u,v)后灰度强度变化可表示为:
矩阵M的计算公式为:
由于矩阵M的特征值与自相关函数的极值曲率成比例,当矩阵M的两个特征值都很大时,该点的自相关函数在两个正交方向上的极值曲率都比较大,即认为该点为角点。为了避免计算M矩阵的特征值,于是Harris角点检测器被定义为:
R=det(M)-k×trace(M)2 (3)
k值的选择一般为0.04。检测时,针对像素点为中心的窗口区域进行计算,要求中心点像素的R值为该窗口的极大值,并且需求该点的R值大于设定的阈值,即可认定该中心点为角点。
传统Harris算法虽然在角点检测效果良好,但是存在缺点:(1)角点检测依赖高斯平滑,平滑窗口过大容易造成角点的丢失,窗口过小会提取出伪角点;(2)在单一尺度角点检测时,过分依赖阈值T的设定,当角点探测器R大于T时,然而阈值T是人为设定,T的选值过大会造成角点的丢失,T的选值过小则会导致提取伪角点,只有经过多次试验尝试才能获得比较理想的角点;(3)提取角点为像素级,精度不准确。
发明内容
为了解决传统Harris的问题,本发明结合Harris角点检测算子和多尺度焦点检测方法。使Harris焦点检测算法具有尺度上的变化,两次非极大值抑制,使本发明无需考虑阈值,并且加以亚像素级别的焦点检测,使角点检测的更加精确有效。
本发明提取亚像素级角点的步骤如下:
步骤一、对图片进行预筛选,具体过程如下:
步骤1-1、选择3*3区域为备选角点筛选模块,计算中心点像素灰度值与周边一点的像素灰度值之差的绝对值Δt;
步骤1-2、选择相似度阈值t,t的选值为像素灰度最大值的10%~15%;
步骤1-3、比较Δt值和t值,如果Δt值小于t值,则判定中心点与周边点相似;
步骤1-4、中心点与周边店的相似度m(中心点与相似的周边点的个数),m为2~6时,认为中心点为备选角点;
步骤二:选择尺度空间核进行尺度变换,具体细分为:
步骤2-1、选择高斯核为尺度变换核,本发明选择尺度变换核模型为
步骤2-2、将Harris算子结合尺度空间,通过式得到Harris尺度表达式;
步骤2-3、计算带尺度变化的自相关矩阵M,计算得到M矩阵为:
其中,Lu(x,σD)和Lv(x,σD)分别表示L(x,σ)在x和y方向上的导数,σ1=σn是计算特征点时所选择的尺度参数,σD=sσn是微分尺度。
步骤三:选择合适的角点响应函数,本发明选择R=det(M)/(trace(M)+ε)为角点响应函数,避免了传统Harris角点响应函数中人为选择k值带着来的误差;
步骤四:进行二次非极大值抑制寻找角点,本发明针对步骤一得到的备选角点进行非极大值抑制,选择一个10*10模板区域,计算出模板区域内的极大值,该极大值点为模板区域的中心点,而此极大值就是候补备选角点,再在此基础上进行第二次非极大值抑制,经过两次非极大值抑制,可以得到较大局部响应极大值点,并且本文认为该极大值点为候选角点。同时避免了角点响应函数计算时阈值的选择。
步骤五:对角点进行Laplace检测,确定角点;
针对在步骤四位置空间上的候选角点,对其进行尺度空间上的搜索。本发明采用Laplace算子验证角点是否在尺度维上获得Laplace算子的局部极大值。如果是,则确定为特征点,并将获得极大值的点所在的尺度作为特征尺度。通过对不同的尺度空间的Laplace响应值进行比较,获得特征点,计算过程如下:
F(x,σn)>F(x,σm),m∈{n-1,n+1} (5)
其中:
步骤六:进行高斯曲面拟合,得到角点的亚像素级坐标。
步骤6-1、选择高斯曲面函数,由于高斯函数具有可分离性,所以高斯曲面函数为:
步骤6-2、由于高斯曲面函数是非线性的,直接对上式进行线性拟合很困难,所以本发明针对高斯曲面函数进行双边取对数得到:
通过双边取对数,函数具有线性,所以上式同样可以用函数形式表示:
ln z=a+bx+cy+d(x2+y2)
步骤6-3、其中x,y为像素点的坐标值,根据最小二乘法,只要求:
Q=min∑(a+bx+cy+d(x2+y2)-ln z)2
步骤6-4、由于极值条件,可知分别对其进行求偏导得到:
步骤6-5、利用上式可以表示为AX=B,其中X=(a,B,c,d)T,线性求得:X=A-1B计算得到a,b,c,d,最终得到u0,u1,(u0,u1)即为极值点的位置,也是角点亚像素级所在的位置。
综上所述本发明的算法具有很好的实用性,稳定性,精确性。实现Harris角点提取的多尺度亚像素级的交点提取。
1、通过在Harris角点提取算法的基础上添加尺度变化的理论,解决了Harris角点提取过程中单尺度的缺点。
2、采取两次非极大值抑制算法,有效地解决了Harris角点提取过程中人为设定阈值这一环节。
3、使用高斯曲面拟合技术,实现了角点的亚像素提取,提高了角点提取的精确性。
附图说明
图1是本发明的流程图。
图2是多尺度Harris角点的提取流程图。
图3是算法实验结果图。
具体实施方法
下面是结合附图对本发明进一步说明。
本发明提取亚像素级角点的步骤如下:
步骤一、对图片进行预筛选,具体过程如下:
步骤1-1、选择3*3区域为备选角点筛选模块,计算中心点像素灰度值与周边一点的像素灰度值之差的绝对值Δt;
步骤1-2、选择相似度阈值t,t的选值为像素灰度最大值的10%~15%;
步骤1-3、比较Δt值和t值,如果Δt值小于t值,则判定中心点与周边点相似;
步骤1-4、中心点与周边店的相似度m(中心点与相似的周边点的个数),m为2~6时,认为中心点为备选角点;
步骤二:选择尺度空间核进行尺度变换,具体细分为:
步骤2-1、选择高斯核为尺度变换核,本发明选择尺度变换核模型为
步骤2-2、将Harris算子结合尺度空间,通过式得到Harris尺度表达式;
步骤2-3、计算带尺度变化的自相关矩阵M,计算得到M矩阵为:
其中,Lu(x,σD)=I(x)*Gu(x,σD)
Lv(x,σD)=I(x)*Gv(x,σD)
Lu(x,σD)和Lv(x,σD)分别表示L(x,σ)在u和V方向上的导数。
σ1=σn是计算特征点时所选择的尺度参数,σD=sσn是微分尺度。
步骤三:选择合适的角点响应函数,本发明选择R=det(M)/(trace(M)+ε)为角点响应函数,避免了传统Harris角点响应函数中人为选择k值带着来的误差。
其中,det(M)=AB-C2;trace(M)=A+B;
步骤四:进行二次非极大值抑制寻找角点,避免了角点响应函数计算时阈值的选择。
步骤4-1、选择非极大值抑制的模板大小,本发明选择大小为10*10的模板;
步骤4-2、针对步骤一得到的备选角点进行第一次非极大值抑制,计算出模板区域内的极大值,该极大值点为模板区域的中心点,而此极大值就是候补备选角点;
步骤4-3、进行第二次非极大值抑制,得到较大局部响应极大值点,对备选角点的筛选,得到候选角点。
步骤五:对候选角点进行Laplace检测,确定角点;
针对在步骤四位置空间上的候选角点,对其进行尺度空间上的搜索。本发明采用Laplace算子验证角点是否在尺度维上获得Laplace算子的局部极大值。如果是,则确定为特征点,并将获得极大值的点所在的尺度作为特征尺度。通过对不同的尺度空间的Laplace响应值进行比较,获得特征点,计算过程如下:
F(x,σn)>F(x,σm),m∈{n-1,n+1} (7)
其中:
步骤六:进行高斯曲面拟合,得到角点的亚像素级坐标。
步骤6-1、选择高斯曲面函数,由于高斯函数具有可分离性,所以高斯曲面函数为:
步骤6-2、由于高斯曲面函数是非线性的,直接对上式进行线性拟合很困难,所以本发明针对高斯曲面函数进行双边取对数得到:
通过双边取对数,函数具有线性,所以上式同样可以用函数形式表示:
ln z=a+bx+cy+d(x2+y2)
步骤6-3、其中x,y为像素点的坐标值,根据最小二乘法,只要求:
Q=min∑(a+bx+cy+d(x2+y2)-ln z)2
步骤6-4、由于极值条件,可知分别对其进行求偏导得到:
步骤6-5、利用上式可以表示为AX=B,其中X=(a,b,c,d)T,线性求解:X=A-1B。计算得到a,b,c,d,最终得到u0,u1,(u0,u1)即为极值点的位置,也是角点亚像素级所在的位置。
Claims (7)
1.基于Harris角点的多尺度亚像素级检测算法,其步骤如下:
步骤一:对图片进行预筛选;
步骤二:选择尺度空间核进行尺度变换;
步骤三:选择合适的角点响应函数;
步骤四:进行二次非极大值抑制寻找角点;
步骤五:对角点进行Laplace检测,确定角点;
步骤六:进行高斯曲面拟合,得到角点的亚像素级坐标。
2.根据权利要求1所述的亚像素级角点检测方法,其特征在于:步骤一中图像角点的预筛选的具体算法为:
(2-1)设置像素阈值比较值t;
(2-2)中心点像素的灰度值与周边一点的像素灰度值之差的绝对值Δt;
(2-3)比较Δt和t,如果Δt小于t则认为像素点是中心点的相似点;
(2-4)选择3*3区域为模板区域进行相似点计算,如果相似点数在[2,6]区间内时,则认为中心点为备选角点。
3.根据权利要求1所述的亚像素级角点检测方法,其特征在于:步骤二中尺度变换具体变换:
(3-1)选择高斯核为尺度变换核;
(3-2)将Harris算子结合尺度空间;
(3-3)计算带尺度变化的自相关矩阵。
4.根据权利要求1所述的算法,步骤三选择的交点响应函数为R=det(M)/(trace(M)+ε),相对于传统的Harris角点提取算法,避免了k值的选取,减少了误差。
5.根据权利要求2所述的备选角点的求取方法,步骤四中二次非极大值抑制理论为:针对步骤一所求得到的备选角点进行非极大值抑制,选择一个10*10模板区域,计算出模板区域内的极大值,该极大值点为模板区域的中心点,再在此基础上进行二次极大值抑制,经过两次非极大值抑制,可以得到较大局部响应极大值点,并且本文认为该极大值点为候选角点。避免了角点响应函数计算时的阈值的选择。
6.根据权利要求1所述的亚像素级角点检测方法,步骤五具体要求为:
针对在步骤四位置空间上的候选角点,对其进行尺度空间上的搜索。本发明采用Laplace算子验证角点是否为局部极大值,并得到该角点所在的特征尺度值。通过对不同的尺度空间的Laplace响应值进行比较,获得特征点,计算过程如下:
F(x,σn)>F(x,σm),m∈{n-1,n+1}
其中:
7.根据权利要求6所述,通过Laplace验证得到的候选角点,针对角点可以进行亚像素的计算:
高斯函数具有可分离性,本文进行拟合的曲面为高斯曲面,两边取对数,得到:
上式同样可以用函数形式表示:
ln z=a+bx+cy+d(x2+y2)
根据最小二乘法,得到:
Q=min∑(a+bx+cy+d(x2+y2)-ln z)2
由于极值可知分别对其进行求偏导得到:
利用上式可以表示为AX=B,其中X=(a,b,c,d)T,线性求得:X=A-1B
计算得到a,b,c,d,最终得到u0,u1,(u0,u1)即为极值点的位置,也是角点亚像素级所在的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610922508.6A CN106529548A (zh) | 2016-10-24 | 2016-10-24 | 亚像素级的多尺度Harris角点检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610922508.6A CN106529548A (zh) | 2016-10-24 | 2016-10-24 | 亚像素级的多尺度Harris角点检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106529548A true CN106529548A (zh) | 2017-03-22 |
Family
ID=58291475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610922508.6A Pending CN106529548A (zh) | 2016-10-24 | 2016-10-24 | 亚像素级的多尺度Harris角点检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529548A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507208A (zh) * | 2017-07-12 | 2017-12-22 | 天津大学 | 一种基于轮廓上曲率估计的图像特征点提取方法 |
CN108537796A (zh) * | 2018-03-19 | 2018-09-14 | 太原理工大学 | 基于模板边缘的自适应Harris角点检测方法 |
CN110490924A (zh) * | 2019-07-16 | 2019-11-22 | 西安理工大学 | 一种基于多尺度Harris的光场图像特征点检测方法 |
CN112150456A (zh) * | 2020-09-30 | 2020-12-29 | 内蒙古科技大学 | 一种基于四点探测的关键点检测方法 |
CN113487594A (zh) * | 2021-07-22 | 2021-10-08 | 上海嘉奥信息科技发展有限公司 | 一种基于深度学习的亚像素角点检测方法、系统及介质 |
-
2016
- 2016-10-24 CN CN201610922508.6A patent/CN106529548A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507208A (zh) * | 2017-07-12 | 2017-12-22 | 天津大学 | 一种基于轮廓上曲率估计的图像特征点提取方法 |
CN108537796A (zh) * | 2018-03-19 | 2018-09-14 | 太原理工大学 | 基于模板边缘的自适应Harris角点检测方法 |
CN110490924A (zh) * | 2019-07-16 | 2019-11-22 | 西安理工大学 | 一种基于多尺度Harris的光场图像特征点检测方法 |
CN110490924B (zh) * | 2019-07-16 | 2022-07-01 | 西安理工大学 | 一种基于多尺度Harris的光场图像特征点检测方法 |
CN112150456A (zh) * | 2020-09-30 | 2020-12-29 | 内蒙古科技大学 | 一种基于四点探测的关键点检测方法 |
CN112150456B (zh) * | 2020-09-30 | 2023-06-27 | 内蒙古科技大学 | 一种基于四点探测的关键点检测方法 |
CN113487594A (zh) * | 2021-07-22 | 2021-10-08 | 上海嘉奥信息科技发展有限公司 | 一种基于深度学习的亚像素角点检测方法、系统及介质 |
CN113487594B (zh) * | 2021-07-22 | 2023-12-01 | 上海嘉奥信息科技发展有限公司 | 一种基于深度学习的亚像素角点检测方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
CN104268857B (zh) | 一种基于机器视觉的快速亚像素边缘检测与定位方法 | |
CN106529548A (zh) | 亚像素级的多尺度Harris角点检测算法 | |
CN103020945B (zh) | 一种多源传感器的遥感图像配准方法 | |
CN108256394A (zh) | 一种基于轮廓梯度的目标跟踪方法 | |
CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
US11676301B2 (en) | System and method for efficiently scoring probes in an image with a vision system | |
CN105930858A (zh) | 一种带旋转、缩放的快速高精度几何模板匹配方法 | |
CN101499168B (zh) | 基于脊线跟踪与海森矩阵的结构光光条中心提取方法 | |
Wang et al. | Recognition and location of the internal corners of planar checkerboard calibration pattern image | |
CN102034101A (zh) | 一种pcb视觉检测中快速圆形标志定位方法 | |
Zhou et al. | Fast star centroid extraction algorithm with sub-pixel accuracy based on FPGA | |
CN104318559A (zh) | 用于视频图像匹配的特征点快速检测方法 | |
CN106023171A (zh) | 一种基于转弯半径的图像角点检测方法 | |
CN109870106A (zh) | 一种基于无人机图片的建筑物体积测量方法 | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
CN104050660A (zh) | 一种测量工件圆形边缘的方法 | |
CN104715491A (zh) | 一种基于一维灰度矩的亚像素边缘检测方法 | |
Shi et al. | Circular grid pattern based surface strain measurement system for sheet metal forming | |
CN111582270A (zh) | 基于高精度的桥梁区域视觉靶标特征点的识别追踪方法 | |
Liu et al. | Using Retinex for point selection in 3D shape registration | |
CN112233186A (zh) | 基于图像感知的设备气密性检测相机自标定方法 | |
CN104050659A (zh) | 一种测量工件线性边缘的方法 | |
CN109360289B (zh) | 融合巡检机器人定位信息的电力表计检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170322 |