CN109711418B

CN109711418B - 一种针对物体平面图像的轮廓角点检测方法

Info

Publication number: CN109711418B
Application number: CN201811520453.1A
Authority: CN
Inventors: 高一聪; 李康杰; 郑浩; 冯毅雄
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2019-01-29
Filing date: 2019-01-29
Publication date: 2020-12-01
Anticipated expiration: 2039-01-29
Also published as: CN109711418A

Abstract

本发明公开了一种针对物体平面图像的轮廓角点检测方法。通过相机采集物体平面的图像，通过边缘检测算法对图像处理提取获得物体平面的边界作为轮廓曲线，根据轮廓曲线上边界点的坐标信息得到八方向链码，由八方向链码计算得到轮廓曲线的一阶差别码；利用卷积系数对一阶差别码进行局部加权得出轮廓曲线各点的曲度；选取阈值筛选获得轮廓曲线中局部区域的曲度绝对值最大的点组成候选角点；针对三个候选角点近似共线情况，选择性去除中间点得到最终角点。本发明无需大量条件判断、计算大量距离和角度信息，利用轮廓链码自身夹带的信息进行角点检测，算法识别效果好，计算效率高，提取角点过程具有较强的鲁棒性。

Description

一种针对物体平面图像的轮廓角点检测方法

技术领域

本发明属于计算机图像处理领域的一种对象轮廓检测方法，具体是一种针对物体平面图像的轮廓角点检测方法。

背景技术

角点是所观测对象上局部曲率变化的极大点，是图像处理中非常重要的一个特征，它能决定图像中我们所观测目标的形状、位置、角度等。其在计算机视觉，图像匹配，模式识别等方面具有重要的作用。

要快速准确的检测出图像中所有角点是非常困难是一件事情。目前，角点检测大致分为基于灰度图像的角点检测、基于二值图像的角点检测和基于平面轮廓曲线的角点检测三类。本文所要讨论的为基于平面轮廓曲线的角点检测技术。

到目前为止，已有很多学者对基于平面轮廓曲线的角点检测技术进行了研究，其主要分为三大类：基于角度法,基于增量角度法，基于距离法。其中基于角度法的算法有RJ73，其基本思想是取所分析点前后两点，构成三角形，将三角形余弦值作为此点强度。由于受噪声干扰较大，RW75对其进行了改进，将某点邻域内各点强度取平均值作为此点强度值。DC99又提出了一种算法，以所分析点为中点，取前后两点构建一系列满足条件的三角形，其补角的平均值作为此点的强度。FD77综合考虑增量角度和识别点前后若干点的影响，构建了k-strength计算公式来判断角点，但由于存在过多冗余角点的问题，BT87对其进行了改进，改进方法为某点K-strength取邻域内平均，且对前后点的选取规定了最大值。ACF00通过欧式距离大于路径长减去常数项的方法，确定最优增量坐标的点数，计算增量角度判断角点。其中基于距离的算法有SAM06，其通过在所分析点前后构建一系列的三角形，求出点到线段最大距离作为角点判别标准。HS03算法通过计算增量坐标差的方法计算某点是否为角点。

上述与角度、增量角度、距离相关的算法均需进行大量的条件判断，计算大量的角度与距离信息，当所要识别的轮廓曲线较长时，计算量大，检测效率较低。计算增量坐标识别角点的方法虽然无需大量计算，但分析结果不够准确。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种新的角点检测方法。本发明可以减少图像处理检测过程中的计算时间，提高了图像中角点检测算法的运算速度，且具有较强的抗干扰力。

本发明采取以下技术方案：

通过相机采集物体平面的图像，通过边缘检测算法对图像处理提取获得物体平面的边界作为轮廓曲线，轮廓曲线是由一系列的边界点连接构成。

S1：根据轮廓曲线上边界点的坐标信息得到八方向链码，由八方向链码计算得到轮廓曲线的一阶差别码；

S2：利用卷积系数对一阶差别码进行局部加权得出轮廓曲线各点的曲度；

S3：选取阈值筛选获得轮廓曲线中局部区域的曲度绝对值最大的点组成候选角点；

S4：针对三个候选角点近似共线情况，选择性去除中间点得到最终角点。

本发明方法针对带有棱角平面形状的物体，即物体检测的平面带有棱角的角点，例如树叶、玩具和各种三维棱角物体。

本发明利用检测的角点进行图像压缩。由于角点具有旋转不变性和不随光照改变的优点，具有很好的压缩特性。仅用角点所在的像素点就可表示出物体平面的形状位置和角度，不需要利用轮廓曲线上所有的像素点，因此实现了图像中平面物体表示的压缩，节约内存。

本发明利用检测出的角点进行图像分类。利用角点描述物体，角点自身夹带顺序与坐标信息，通过已经训练好的Logistic分类器或者SVM分类器，将根据物体平面图像进行正确的分类。

本发明利用检测出的角点进行图像辨识。根据不同种类物体角点的不同特性。可以根据不同物体的轮廓角点信息，结合利用通过已经训练好的深度学习等辨识算法能更好地实现对图像中这些物体的辨识。

所述步骤S1，包括：

S11：如果轮廓曲线为矢量曲线，则在满足精度要求的情况下离散化为位图曲线进行下一步；如果轮廓曲线为位图曲线，则不作处理而进行下一步；

S12：确定链码起始点；

S13：记轮廓曲线上各点坐标为(P_i,x,P_i,y)，i＝1,2,…,L，i为轮廓曲线上点的序号，L为轮廓曲线上点的总数，x、y分别表示轮廓曲线上点的横纵坐标；从链码起始点开始，沿逆时针方向搜索，根据当前点(P_i,x,P_i,y)与下一点(P_i+1,x,P_i+1，y)的关系得出轮廓曲线上当前点的链码Dir(i)，从而获得各点的链码；

所述的轮廓曲线为封闭曲线，定义P_L+i＝P_i，构成循环。

S14：根据当前点的链码Dir(i)和前一点的链码Dir(i-1)得出当前点的一阶差别码Diff(i)，具体为：如果Dir(i)-Dir(i-1)>D_t，D_t为范围阈值，则一阶差别Diff(i)＝Dir(i)-Dir(i-1)-8；如果Dir(i)-Dir(i-1)<-D_t，则一阶差别Diff(i)＝Dir(i)-Dir(i-1)+8；如果Dir(i)-Dir(i-1)＝-D_t，则一阶差别Diff(i)＝Dir(i)-Dir(i-1)。

将一阶差别码Diff(i)限制在[-D_t,D_t]中，D_t为范围上限和下限，D_t≥4。

所述步骤S12中，采用以下方式确定链码起始点：首先从图像的水平行像素中位于中央的像素点处开始沿列向下搜寻到的轮廓曲线上的点作为起始点，并停止搜索；如果沿列向下搜寻没有遇到轮廓曲线，则依次从水平行像素中位于1/3、2/3的像素点处向下搜寻，搜寻到的轮廓曲线上的点作为起始点，并停止搜索；如果沿列向下搜寻再没有遇到轮廓曲线，则依次从水平行像素中位于1/4、2/4、3/4的像素点处向下搜寻，搜寻到的轮廓曲线上的点作为起始点，并停止搜索，依次类推，最终得到起始点坐标(P_1,x,P_1,y)。

所述步骤S2，包括：

S21：选择中间高两端低的函数曲线，在函数曲线上采样多个点组成卷积系数h(j)；j＝1,2,…,m，j为卷积系数的序数，m为卷积系数的总数；

S22：通过以下卷积公式计算轮廓曲线上的各点曲度：

式中，n为轮廓曲线上的各点的序数，y(n)表示轮廓曲线上的第n个点的曲度；f(k,n)为以轮廓曲线上的第n个点为中心以及前后共r个点的一阶差别码组成的集合，前后共r个点为第n个点以及分别位于第n个点前和后的各(r-1)/2个点，k为集合的序数。此处r与m数值相同。

所述函数曲线为窗函数。

所述步骤S3，包括：

预先定义如下参数：用于根据曲度的大小决定是否被判断为初步候选角点的曲度阈值Threshold、点的最远邻域间隔S、局部范围的最大点数Num。

S31：从轮廓曲线上的所有点找出曲度的绝对值大于曲度阈值Threshold的点组成初步候选角点；

S32：设第一个初步候选角点初始赋为基准角点Ind_F，从第二个初步候选角点开始按照以下方式对每个初步候选角点进行判断：

针对第p个初步候选角点，若第p个初步候选角点和第p-1个初步候选角点之间的点序数差大于S，或者第p个初步候选角点和基准角点Ind_F之间的点序数差大于Num，则将第p个初步候选角点赋为基准角点Ind_F，否则进行下一第p+1个初步候选角点的判断；

直到最后的初步候选角点，筛选结束，将赋为基准角点Ind_F过的初步候选角点提取组成候选角点C。

所述步骤S4，包括：

预先定义角点阈值E，角点阈值E用于判别是否去除一条近似直线上三点中点的阈值。

S41：候选角点C中每一点v，找出前后沿轮廓曲线相邻的两个候选角点，构成三点集合P_u，P_v，P_q；

S42：求出三点集合中的中间点P_v分别到另外两点之间的距离，以及最后的一点P_q分别到另外两点距离，只要其中有一个距离大于角点阈值E，则将中间点P_v确定为角点，从而处理获得轮廓曲线上的角点。

本发明利用所述算法所能正确判别角点的最小正方形为识别像素盒。

卷积系数的个数选取可根据实际情况调整，卷积系数的值可根据不同种类窗函数或者普通函数在实际应用时进行构造。对于不同的卷积系数，利用识别像素盒来比较其识别精度。

本发明通过将曲线轮廓坐标信息转化为链码，进一步，通过定义差别码，得到轮廓差别码信息。使表达更加简洁实现了数据的压缩。

构造卷积系数，通过其与差别码的卷积运算完成对差别码的局部加权，得到链码的曲度值。实现过程简单，无循环判断语句，不需要进行大量的计算。本发明通过选取曲度绝对值大于阈值且局部最大的点作为候选角点，使得算法可以对局部噪声进行有效的去除。进一步，针对三个候选角点近似共线情况，选择性去除中间点得到最终角点，使得算法具有较强的鲁棒性。

本发明的有益效果为：

1、本发明通过将图像中的曲线轮廓坐标信息转化为链码，进一步，通过定义差别码，得到轮廓差别码信息。本发明使表达更加简洁实现了图像数据处理的压缩，构造卷积系数对差别码进行局部加权得到各点曲度，实现过程简单，无循环判断语句，不需要进行大量的图像像素处理计算，解决了物体图像辨识识别中缺乏有效特征进行识别的问题。

2、本发明通过选取曲度大于阈值且局部最大的点作为候选角点，使得算法可以对局部噪声进行有效的去除。本发明方法具有较强的准确性和鲁棒性。

附图说明

为了进一步阐述本发明所描述的内容，下面结合附图对本发明的具体实施方式作进一步详细的说明。应当理解，这些附图仅作为典型示例，而不应看作是对本发明的范围的限定。

图1为本发明实施例的算法结构图。

图2为本发明查找轮廓曲线初始点的示意图。

图3为本发明差别码表示示意图。

图4为本发明差别码计算效果示意图。

图5为Logistic函数。

图6为三角窗函数。

图7为本发明选取候选角点的程序流程图。

图8为本发明三个候选角点近似共线情况示意图。

图9为本发明定义最小识别像素盒示意图。

图10为本发明实施例1角点检测结果。

图11为本发明实施例2角点检测结果。

图12实施例最小识别像素盒计算结果图。

图13为其他角点检测算法对梧桐叶识别的效果对比图。

图14为本发明算法对其他轮廓曲线的角点检测结果图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭晓的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰和改变。

本发明实施例，实施过程如图1所示，具体如下：

实施例1

物体为树叶，物体平面为树叶的主视图。

轮廓曲线的获取可以采用现有的轮廓曲线提取方法获得。具体地，可以采用Sobel算子、Canny算子等。

所述步骤S1，包括：

S12：确定链码起始点；

如图2所示，采用以下方式确定链码起始点：首先从图像的水平行像素中位于中央的像素点处开始沿列向下搜寻到的轮廓曲线上的点作为起始点，并停止搜索，得到起始点坐标(P_1,x,P_1,y)。

S13：记轮廓曲线上各点坐标为(P_i,x,P_i,y)，i＝1,2,…,L，i为轮廓曲线上点的序号，L为轮廓曲线上点的总数，x、y分别表示轮廓曲线上点的横纵坐标；从链码起始点开始，沿逆时针方向搜索，根据当前点(P_i，x,P_i,y)与下一点(P_i+1,x,P_i+1,y)的关系得出轮廓曲线上当前点的链码Dir(i)，从而获得各点的链码；

步骤S13具体实施中，例如：如果P_i+1,x-P_i,x＝1，P_i+1,y-P_i，y＝0则Dir(i)＝0；如果P_i+1,x-P_i,x＝1，P_i+1，y-P_i，y＝1则Dir(i)＝7；如果P_i+1，x-P_i，x＝0，P_i+1，y-P_i,y＝1则Dir(i)＝6；如果P_i+1,x-P_i,x＝-1，P_i+1,y-P_i,y＝1则Dir(i)＝5；如果P_i+1,x-P_i,x＝-1，P_i+1,y-P_i,y＝0则Dir(i)＝4；如果P_i+1,x-P_i,x＝-1，P_i+1,y-P_i,y＝-1则Dir(i)＝3；如果P_i+1,x-P_i,x＝0，P_i+1，y-P_i,y＝-1则Dir(i)＝2；如果P_i+1,x-P_i，x＝1，P_i+1,y-P_i,y＝-1则Dir(i)＝1。

S13：根据当前点的链码Dir(i)和前一点的链码Dir(i-1)得出当前点的一阶差别码Diff(i)，具体为：如果Dir(i)-Dir(i-1)>D_t，D_t为范围阈值，则一阶差别Diff(i)＝Dir(i)-Dir(i-1)-8；如果Dir(i)-Dir(i-1)<-D_t，则一阶差别Diff(i)＝Dir(i)-Dir(i-1)+8；如果Dir(i)-Dir(i-1)＝-D_t，则一阶差别Diff(i)＝Dir(i)-Dir(i-1)。

在本文所述实施例中D_t均为4。

如图3所示，左边为链码，右边为一阶差别码。推理可知，差别码的正负，反应了下一个点的拐动情况。差别码符号为正，下一个点左转，符号为负，下一个点右转。差别码的大小反应了方向改变的程度，1表示45度，2表示90度，同理3表示135度。差别码为4意味着方向改变180度，实际链码中不会存在这种现象。图4可具体看出差别码压缩了曲线方向信息，仅保留了弯曲信息。

S21：选择中间高两端低的曲线函数，在曲线函数上采样多个点组成卷积系数h(j)；j＝1,2,…,m，j为卷积系数的序数，m为卷积系数的总数；基于图5所示的Logistic函数作为曲线函数，在[2,1,-1,-2]的值构建长度为9的卷积系数：h＝[0.12,0.27,0.73,0.88,1,0.88,0.73,0.27,0.12]。

S22：通过以下卷积公式计算轮廓曲线上的各点曲度：

式中，n为轮廓曲线上的各点的序数，y(n)表示轮廓曲线上的第n个点的曲度；f(k,n)为以轮廓曲线上的第n个点为中心以及前后共r个点的一阶差别码组成的集合，前后共r个点为第n个点以及分别位于第n个点前和后的各(r-1)/2个点，k为集合的序数。

S3：选取阈值筛选获得轮廓曲线中局部区域的曲度最大的点组成候选角点；

所述步骤S3具体实施中，具体流程如图7所示。包括：

S31：从轮廓曲线上的所有点找出曲度的绝对值大于曲度阈值Threshold的点组成初步候选角点In_C；

直到最后的初步候选角点，筛选结束，将赋为基准角点Ind_F过的初步候选角点提取组成候选角点C。对第一个初步候选角点是否为候选角点C进行判断，不是的话删除。

本例中，曲度阈值Threshold、点的最远邻域间隔S、局部范围的最大点数Num具体为0.5、4、10。

本例中E值具体为5.5。

图8展示了三点近似共线的两种情况。左图根据步骤S5计算得中间点不为角点。右图虽然中间点到另外两点连线距离小，但是第3点到前两点连线距离大于阈值E，所以中间候选角点被判断为最终角点。

所述步骤S31中，卷积系数的个数选取可根据实际情况调整，卷积系数的值可根据不同种类窗函数或者普通函数在实际应用时进行构造。

识别像素盒如图9所示，盒上每一点标有差别码，识别像素盒最小边长为2。由图12可知实施例1的识别像素盒边长为4。

识别效果如图10所示，右边为各点的曲度图：

识别角点数	总点数	压缩率
			36	1804	1.996％

识别角点用于压缩。根据算法得到角点数目与对应的坐标。可以看出原图像轮廓一共有1804个点，压缩后为36个点压缩率为1.996％。压缩后完美保留了原图特征。在图10的局部放大图，可以看出由于提取噪声，这里近似曲线段存在凹凸不平的地方，实际不应存在角点，识别结果也没有角点，说明算法具有较强鲁棒性。

进一步，用于分类，判断不同树叶类型。根据所识别的叶子上角点的顺序与坐标信息，通过已经训练好的Logistic分类器或SVM分类器完成对这是哪一种叶子的划分。比如说判断这个树叶是法国梧桐叶还是枫叶，是柳叶还是竹叶。进而能够根据图像处理实现树叶的鉴别处理。

实施例2：

如实施例1进行实施。

所述步骤S31具体实施中。基于图6所示三角窗函数作为曲线函数，构建长度为9的卷积系数：h＝[0.125,0.25,0.5,0.75,1,0.75,0.5,0.25,0.125]。

参数选取与实施例1相同，识别效果如图11所示。

识别角点数	总点数	压缩率
			49	1804	2.716％

识别角点用于压缩。根据算法得到角点数目与对应的坐标。可以看出原图像轮廓一共1804个点，压缩后为49个点，压缩率为2.716％。如图11的局部放大图，可以看出由于提取噪声，这里近似曲线段存在凹凸不平的地方，实际不应存在角点，识别结果也没有角点，说明算法具有较强鲁棒性。

进一步，用于分类，判断不同树叶类型。根据所识别的叶子上角点的顺序与坐标信息，通过已经训练好的Logistic分类器或SVM分类器完成对这是哪一种叶子的划分。比如说判断这个树叶是法国梧桐叶还是枫叶，是柳叶还是竹叶。

像素盒识别结果对比如图12所示。可以看出实施例1的识别像素盒边长为4，实施例2的识别像素盒边长2。

说明在对细小部位处理上，实施例2对细节更加敏感，从图10盒图11两种卷积系数的识别点个数也可以看出。

如果想保留较多的角点，想检测出的角点包含尽可能多的角点则参数Threshold调小，使得进入候选角点的可能性增大。参数Episilon调小，使得角点受近似一条直线上三点效应影响减小。参数S、Num调小，使得局部区域变小，更多点被纳入候选角点。

如果想使得检测出的角点尽量精炼，数量少一些。则参数调整与之相反。

实施例3：

本算法如实施例1进行实施，与其他算法进行对比。

本实施例中还提供了一些对比测试实验，用于对比测试实施例1算法与其他已有算法的速度，识别效果，控制参数等信息。

表1算法对比

本发明的图像检测结果如图13所示。由上述实施可见，由于本发明相对其他算法无需大量条件判断、计算大量距离和角度信息，利用轮廓链码自身夹带的信息进行角点检测。新所以Li18识别效率高，识别效果好，鲁棒性强。

实施例4：

如实施例1进行实施。

物体分别为玩具飞机，玩具狗，玩具爱心，玩具乐府。物体平面为其主视图。

利用实施例1中卷积系数对其他轮廓曲线的角点检测，结果如图14所示。

识别效果如图10所示，右边为各点的曲度图：

图形	识别角点数	总点数	压缩率
				飞机	47	2467	1.905％
狗	34	1436	2.368％
				爱心	4	884	0.452％
乐符	10	1477	0.677％

识别角点用于压缩。根据算法得到角点数目与对应的坐标。可以看出飞机，狗，爱心，乐符四者的压缩率分别1.905％，2.368％，0.452％，0.677％。

进一步，用于物体辨识。判断不同物体类型。以飞机，狗，爱心，乐府为例。根据已经训练好的深度学习等辨识算法对这些物体进行辨识。最终实现，给一个物体，拍摄其主视图之后输入中，结果输出物体的名称。

综上多个实施例可知，本发明使图像表达更加简洁，实现了图像数据处理的压缩，实现过程无需大量条件判断、计算大量距离和角度信息，利用轮廓链码自身夹带的信息进行角点检测。与其他算法对比，识别效果好，计算效率高。提取角点过程具有较强的鲁棒性，可以为后续图像分类、图像识别等研究奠定了基础。

上述具体实施例仅例式性说明本发明的原理与其功效，并非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，凡在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims

1.一种针对物体平面图像的轮廓角点检测方法，其特征在于，方法具体包括：

通过相机采集物体平面的图像，通过边缘检测算法对图像处理提取获得物体平面的边界作为轮廓曲线，轮廓曲线是由一系列的边界点连接构成；

所述步骤S2，包括：

S22：通过以下卷积公式计算轮廓曲线上的各点曲度：

式中，n为轮廓曲线上的各点的序数，y(n)表示轮廓曲线上的第n个点的曲度；f(k,n)为以轮廓曲线上的第n个点为中心以及前后共r个点的一阶差别码组成的集合，前后共r个点为第n个点以及分别位于第n个点前和后的各(r-1)/2个点，k为集合的序数；

所述步骤S3，包括：

针对第p个初步候选角点，若第p个初步候选角点和第p-1个初步候选角点之间的点序数差大于点的最远邻域间隔S，或者第p个初步候选角点和基准角点Ind_F之间的点序数差大于局部范围的最大点数Num，则将第p个初步候选角点赋为基准角点Ind_F，否则进行下一第p+1个初步候选角点的判断；

直到最后的初步候选角点，筛选结束，将赋为基准角点Ind_F过的初步候选角点提取组成候选角点C；

2.根据权利要求1所述的一种针对物体平面图像的轮廓角点检测方法，其特征在于：所述步骤S1，包括：

S12：确定链码起始点；

S13：记轮廓曲线上各点坐标为(P_i,x,P_i,y)，i＝1,2,…,L，i为轮廓曲线上点的序号，L为轮廓曲线上点的总数，x、y分别表示轮廓曲线上点的横纵坐标；从链码起始点开始，沿逆时针方向搜索，根据当前点(P_i,x,P_i,y)与下一点(P_i+1,x,P_i+1,y)的关系得出轮廓曲线上当前点的链码Dir(i)，从而获得各点的链码；

S14：根据当前点的链码Dir(i)和前一点的链码Dir(i-1)得出当前点的一阶差别码Diff(i)，具体为：如果Dir(i)-Dir(i-1)>-D_t，D_t为范围阈值，则一阶差别Diff(i)＝Dir(i)-Dir(i-1)-8；如果Dir(i)-Dir(i-1)<-D_t，则一阶差别Diff(i)＝Dir(i)-Dir(i-1)+8；如果Dir(i)-Dir(i-1)＝-D_t，则一阶差别Diff(i)＝Dir(i)-Dir(i-1)。

3.根据权利要求2所述的一种针对物体平面图像的轮廓角点检测方法，其特征在于：所述步骤S12中，采用以下方式确定链码起始点：首先从图像的水平行像素中位于中央的像素点处开始沿列向下搜寻到的轮廓曲线上的点作为起始点，并停止搜索；如果沿列向下搜寻没有遇到轮廓曲线，则依次从水平行像素中位于1/3、2/3的像素点处向下搜寻，搜寻到的轮廓曲线上的点作为起始点，并停止搜索；如果沿列向下搜寻再没有遇到轮廓曲线，则依次从水平行像素中位于1/4、2/4、3/4的像素点处向下搜寻，搜寻到的轮廓曲线上的点作为起始点，并停止搜索，依次类推，最终得到起始点坐标(P_1,x,P_1,y)。

4.根据权利要求1所述的一种针对物体平面图像的轮廓角点检测方法，其特征在于：所述函数曲线为窗函数。

5.根据权利要求1所述的一种针对物体平面图像的轮廓角点检测方法，其特征在于：所述步骤S4，包括：

S42：求出三点集合中的中间点Pv分别到另外两点之间的距离，以及最后的一点Pq分别到另外两点距离，只要其中有一个距离大于角点阈值E，则将中间点Pv确定为角点，从而处理获得轮廓曲线上的角点。