角点检测在车辆特征提取中的应用

个 特 征 点 。 这 一 步 骤 可 称 为 “抑 制 局 部 非 最 大 ”。
图１ Ｍｏｒ ａｖｅｃ算子的四个方向
ｎ－ １
! " #２
ｖ１＝
ｇ － ｇ ｃ＋ｉ，ｒ ｃ＋ｉ＋１，ｒ
ｉ＝－ ｋ
图２ Ｍｏｒ ａｖｅｃ算子实现流程
２ Ｈａｒ ｒ ｉｓ算法
Ｍｏｒａｖｅｃ角点检测算法虽然有计算速度较快的优点， 但也 存在一些问题， 其主要表现在以下三个方面：
［ Ｊ］ ．山东大学学报， ２００６（ ５） ． ［ ３］ 王舒 鹏， 方 莉．利用Ｍｏｒａｖｅｃ算 子提 取 特征 点实 现 过程 分 析［ Ｊ］ ．电
脑知识与技术， ２００６（ ９） ． ［ ４］ 陈乐， 吕文阁， 丁少华．角点检测技术研究进展［ Ｊ］ ．自动化技术与
应用， ２００５（ ５） ． ［ ５］ 孟坛魁， 华成英．一种改进的灰度图像角点检测算法［ Ｊ］ ．计算机
图３
图４ 参考文献： ［ １］ Ｃｈｒｉｓ Ｈａｒｒｉｓ、ｍｉｋｅ ｓｔｅｐｈｅｎｓ Ａ Ｃｏｍｂｉｎｅｄ Ｃｏｒｎｅｒ ａｎｄ Ｅｄｇｅ Ｄｅｔｅｃｔｏｒ．
Ｐｒｏｃｅｅｄｉｎｇｓ Ｆｏｕｒｔｈ Ａｌｖｅｙ Ｖｉｓｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ、Ｍａｎｃｈｅｓｔｅｒ， １９８８． ［ ２］ 闫 龙 ， 赵 正 旭 ， 周 以 齐 ．图 像 质 量 对 Ｈａｒｒｉｓ角 点 检 测 的 影 响 研 究
ｉ＝－ ｋ
ｎ－ １
! % $２
ｖ３＝
ｇ － ｇ ｃ，ｒ＋１ ｃ，ｒ＋ｉ＋１
ｉ＝－ ｋ
ｎ－ １
! " $２
ｖ４＝
ｇ － ｇ ｃ＋ｉ，ｒ＋１ ｃ＋ｉ＋１，ｒ－ ｉ－ １
（ １）
ｉ＝－ ｋ
取其中最小者作为该像素（ ｃ， ｒ） 的兴趣值。
ＩＶｃ， ｒ＝ｍｉｎ｛Ｖ１， Ｖ２， Ｖ３， Ｖ４｝
（ ２）
（ ２） 给定一个经验阈值， 将兴趣值大于该值的点（ 即兴趣值
如果不考虑噪声， 则实际影像是理想灰度函数与点扩散函 数的卷积， 其点特征灰度的分布均表现为从小到大或从大到 小的明显变化。因此除了用局部信息量来检测特征外， 还可以 利用特征提取算子对各个像素的某一大小的邻域窗口进行差 分运算， 选择其中的极值点或超过阈值的点作为特征点。
正是基于以上思想， Ｍｏｒａｖｅｃ 于 １９７７ 年 提 出 了 要 利用 灰 度方差提取点特征的算子， 主要是在四个方向上选择具有最 大 、最 小 灰 度 方 差 的 点 作 为 特 征 点 。 其 具 体 步 骤 为 ：
（ １） 计算各像元的兴趣值ＩＶ （ Ｉｎｔｅｒｅｓｔ ｖａｌｕｅ） 。在以像素（ ｃ， ｒ） 为中心的ｗ×ｗ的影像窗口中（ 如５×５的窗口） ， 计算图１所示四 个方向相邻像素灰度差的平方和， 其中ｋ＝ＩＮＴ（ ｗ／２） 。
ｎ－ １
! " $２
ｖ２＝
ｇ － ｇ ｃ＋ｉ，ｒ＋１ ｃ＋ｉ＋１，ｒ＋ｉ＋１
对于ｋ值， Ｈａｒｒｉｓ推荐为０．０４。对Ｒ取合理的阂值Ｔ就可得到
所求的角点。
Ｈａｒｒｉｓ算子是一种有效的点特征提取算子， 其优点主要有：
（ １） 计算简单。Ｈａｒｒｉｓ算子中只用到灰度的一阶差分以及滤
波， 操作简单且不需设置阈值， 整个过程的自动化程度高。
（ ２） 提取的点特征均匀而且合理。Ｈａｒｒｉｓ算子对图像中的每
个点都计算其兴趣值， 然后在邻域中选择最优点。实验表明， 在
纹理信息丰富的区域， Ｈａｒｒｉｓ算子可 以 提 取出 大 量 有 用 的 特征
点， 而在纹理信息少的区域， 提取的特征点则较少。
（ ３） 可以定量地提取特征点。由于Ｈａｒｒｉｓ算子最后一步是对
所有的局部极值点进行排序， 所以可以根据需要提取一定数量
计算窗口的中心点） 作为候选点。阈值的选择应以候选点中包
括所需要的特征点， 而又不含过多的非特征点为原则。
（ ３） 选择候选点中的极值点作为特征点。在一定窗口内（ 可
以不同于兴趣值计算窗口， 如５×５， ７×７或９×９像 元） ， 将 候 选 点
中兴趣值不是最大者全部去掉， 仅留下最大者， 该像素即为一
３ 实验结果分析
百度文库
根据上述原理， 在ＶＣ＋＋６．０平台上编程实现了Ｈａｒｒｉｓ角点和
· ９２ ·
软件导刊
２００８ 年
（ ３） 由于选择的是自相关测量值中的最小值而不是它们的 偏差， 所以也对强边界敏感。
针对这些问题， Ｈａｒｒｉｓ和Ｓｔｅｐｈｅｎ对Ｍｏｒａｖｅｃ角点检测算法做 出了较大的改动， 提出了Ｈａｒｒｉｓ边缘和角点检测算法。
由于Ｈａｒｒｉｓ和Ｓｔｅｐｈｅｎｓ所 采 用 的 不同 方 向 上 的 自 相关 偏 差 是使用局部自相关的主曲率计算的， 所以响应是各向同性的。 Ｈａｒｒｉｓ角点检测的做法如下， 将其在（ ｕ， ｖ） 点进行二元函数的一 阶泰勒展开：
的最优点。
（ ４） 稳定。即使存在图像旋转、灰度变化、噪音影响和视点
变换， 它也是最稳定的一种点特征提取算子， 因为它的计算公
式中只涉及到一阶导数， 而且不涉及阈值。
边界检测算法， 取５＊５高斯窗口宽度， 高斯方差设为１．２， 非极大 值领域抑制大小为５， 阈值设为２０００。图４为车辆原图， 图２为经 过灰度处理后进行的ｈａｒｒｉｓ角点检测。很明显地可以看出， 在车 灯、车牌、车窗和车体边界提取了角点特征， 这对于进一步对图 像理解非常有帮助， 例如对车牌的定位、车辆的跟踪、车型识别 等。
第７卷 第４期 ２００８年 ４ 月
软件导刊 Ｓｏｆｔｗａｒｅ Ｇｕｉｄｅ
Ｖｏｌ．７ Ｎｏ．４ Ａｐｒ． ２００８
角点检测在车辆特征提取中的应用
刘荆桥， 戴光明
（ 中国地质大学 计算机学院， 湖北 武汉 ４３００７４）
摘 要： Ｈａｒｒｉｓ算子是在计算机视觉和图像处理领域使用非常广泛的点特征提取算子， 利用其计算简单和稳定的特
（ １） 只用了四个方向进行自相关， 响应是各向异性的； （ ２） 由于用的是一个方形窗口， 响应也含有噪音；
作者简介： 刘荆桥（ １９８２～） ， 男 ， 湖北荆州人， 中国地质大学计算机学院硕士研究生， 研究方向为计算机软件与理论； 戴光明（ １９６１￣） ， 男， 湖北武汉 人， 中国地质大学教授， 研究方向为动态多目标规划、科学计算机可视化。
应用研究， ２００５（ ４） ． ［ ６］ 肖茜， 鲁宏伟．基于高斯平滑的自适应角点检测［ Ｊ］ ．计算机辅助
设计与图形学学报， ２００３（ １１） ． ［ ７］ 李玲玲， 李印清．图像配准中角点检测算法的研究与比较［ Ｊ］ ．郑
州航空工业管理学院学报， ２００６（ ２） ． （ 责任编辑： 赵 峰）
! " # Ｅｘ，ｙ＝
２
ｗｕ，ｖ Ｉ － ｘ＋ｕ，ｙ＋ｖ Ｉｕ，ｖ
ｕ，ｖ
２
＝!ｗｕ，ｖ&ｘＸ＋ｙＹ＋Ｏ$ｘ２，ｙ２ %# ｕ，ｖ
在这里， 一阶偏导近似为：
Ｘ＝Ｉ’（ － １，０，１） ≈)Ｉ／)ｘ Ｙ＝Ｉ’（ － １，０，１） Ｔ≈)Ｉ／)ｘ
所以对于任何微小的移动， Ｅ可以写为： Ｅ（ ｘ，ｙ） ＝Ａｘ２＋２Ｃｘｙ＋Ｂｙ２
这里， Ａ＝Ｘ２’ｗ， Ｂ＝Ｙ２’ｗ， Ｃ＝（ ＸＹ２） ’ｗ。
为了消除窗口对造成响应的噪音影响， 对图像窗口进行了
高斯平滑： Ｗｕ，ｖ＝ｅｘｐ－ （ ｕ２＋ｖ２／２σ２）
另外定义矩阵：
& # ＡＣ
Ｍ＝ ＣＢ
其 角 点 边 界 响 应 函 数 ＣＲＦ可 定 义 为 ： Ｒ＝Ｄｅｔ（ Ｍ） － ｋＴｒ２（ Ｍ）
性对车辆的角点特征进行了实验， 收到较好的效果， 并为进一步地图像理解打下了基础。
关键词： 角点检测；Ｈａｒｒｉｓ算法；车辆特征
中图分类号： ＴＰ３９１．４
文献标识码： Ａ
文章编号： １６７２－ ７８００（ ２００８） ０４－ ００９１－ ０２
１ Ｍｏｒ ａｖｅｃ算法回顾
理论上， 特征是影像灰度曲面上的不连续点。在实际影像 中， 由于点扩散函数的作用特征表现为在一个局部小区域内灰 度的急剧变化或灰度分布的均匀性， 也就是局部区域中具有 较大的信息量， 因此， 可以以每个像元为 中 心 ， 取一 个 ｎ＊ｎ 像 素的窗口， 计算窗口中的局部熵， 若局部熵大于给定的阈值， 则可以认为该像素即为一个特征。