角点检测算法综述

角点检测算法综述

范娜，俞利，徐伯夏

（中国航天科工集团第三研究院8357所天津300308）

摘要：角点作为图像的一个重要特征，它保留了图像绝大部分的特征信息。角点在三维场景重建、运动估计、目标跟踪以及图像配准与图像匹配等计算机视觉领域有着重要的作用。本文对角点检测算法的类别进行总结，对各类算法进行了详细介绍，并对近几年来各类算法发展与改进进行了总结。

关键词：特征信息；计算机视觉；角点检测

Survey of Corner Detection Algorithms

FAN Na, YU Li, and XU Bo-xia

(The 8357 Research Institute of the Third Research Academy of CASIC Tianjin 300308)

Abstract：As a more important feature of image, corner contains voluminous information of image features.In the domain of computer vision, such as three-dimensional reconstruction, motion estimation, object tracking, image registration and image matching, corner of image play an important role.this paper attempt to summarize and detailedly introduce corner detection algorithms, and summarize the developments of these algorithms in recent years.

Key words: Feature Information；Computer Vision；Corner Detection

1 引言

角点并没有明确的定义，一般将图像中亮度变化剧烈的点或图像边缘上曲率取极大值的点认为是角点。从形态上来说，角点包括L、T、Y、X和箭头型角点等。角点作为图像的重要特征，保留了图像的绝大部分的特征信息，又有效地减少了信息的数据量，从而有效地提高了运算速度以及匹配的可靠性。总结现有的角点检测算子的评价方法，总体上有以下几个标准[1]：

(1)稳定性：即同一场景图像在亮度、对比度等因素变化的情况下，检测出的角点数目及位置应当稳定

(2)可靠性：即在算子的可变参数改变情况下，不影响生成的角点的质量，只改变检测出角点的数目；检测到的角点具有平移、旋转、伸缩不变性

(3)鲁棒性：即算法的抗噪性能，在一定的噪声干扰下，算子仍然具有很强的角点检测能力

(4)准确性：主要指不发生误检测以及角点位置定位准确

(5)高效性：是指算法的计算速度快慢，算法速度必须足够快以满足图像处理系统的要求

经过几十年的研究与探索，产生了许多检测角点的方法，但大致可以分为四类：基于灰度图像的角点检测算法、基于二值图像的角点检测算法、基于边缘特征的角点检测算法以及支持矢量机角点检测算法。本文中

对上述四类方法进行了阐述，并详细的介绍了这四类方法中典型的具有代表性的角点检测算法。

2 角点检测算法研究现状 2.1 基于灰度图像的角点检测 2.1.1 Harris 角点检测算法

Harris 角点检测算法是 C.Harris 和

M.J.Stephens 于1988年提出的一种基于信号特征提取算子，它是对Moravec 角点检测算法的改进。Harris 算子利用角点与自相关函数的曲率特性有关这一特点，定义自相关函数，自相关函数描述了局部图像灰度的变化程度，可表示为：

2

,,(,)(,)(,)

u v u v

E x y w f x u y v f u v =

++-∑

利用泰勒公式将上式展开，化简上式可得：

,u,2

,2,(,)[]

(,)(,)u v v

T

u v u v E X Y w uX vY X XY w u v u v XY

Y ≈+⎡⎤=⎢⎥⎣⎦

∑∑

其中,u v w 为高斯窗口在(,)u v 处的系数，

f

X x

∂=

∂， f Y x ∂=∂，X 、Y 是一阶方向微分，反映了图像中每个像素点的灰度变化方向。定义M 为像素点(,)x y 的自相关矩阵，

则2

2X

XY M XY Y ⎡⎤=⎢⎥⎣⎦

，为了避免矩阵M 进行特征值分解，方便运算，则将角点响应函数表示为：

[][]

2(,)

det (,)(,)R x y M x y k tr M x y =-∙

其中1λ、2λ为矩阵M 的特征值，k 为经验

值，一般在0.04-0.06之间取值。只要在某一点(,)x y 处，(,)R x y 超过某一设定的阈值，即认为该点为角点。

阈值的设置是Harris 角点检测算法的关键，阈值设置过大会产生伪角点，阈值过小则会漏掉角点。文献[2]中首先应用一定规则进行备选角点预筛选，然后对提取到的备选角点进行Harris 角点检测。Harris 算法中的阈值利用自适应的方法得到，即将每一幅图像角点响应函数最大值的p 倍定义为阈值。文献[3]在进行非极大值抑制时采用双阈值法检测角点，消除了一些伪角点；最后利用SUSAN 算法的思想消除剩余的伪角点。文献[4]用Harris 算法求得角点响应函数，利用

双掩膜来定义进行非极大值抑制的局部范围，然后结合K 均值聚类方法进行非极大值抑制，最终通过像素点的角点响应函数是否满足预设角点判定条件来确定角点。

2.1.2 SUSAN 角点检测算法

SUSAN 角点检测算法是1997年由英国牛津大学的S.M.Smith 和J.M.Brady 提出的一种低层次图像处理小核值相似区的方法。该方法的原理是定义一个圆形模板对图像中的像素进行覆盖，将圆形模板的中心像素（定义其为‘核’）与同一模板中的其他像素分别进行灰度值的比较，当灰度值之差少于某一设定阈值t 时，认为该像素与核具有相同或相似的灰度值并把由这些像素组成的区域定义为核值相似区(Univalue Segment Assimilating Nucleus ，USAN)。当圆形模板处于图像背景或图像内部时，USAN 区域的面积最大；当模板开始与图像边缘重叠时，USAN 区域的面积变小，当模板的中心像素位于角点处时，USAN 区域面