Harris Corner

拼搏现实的明天。 2021-09-29 11:30 264阅读 0赞

Harris Corner网上已经有很多的资料了，但它也是我读研究生后读的第一篇论文，对我有一种特别的意义。

这篇文章我想从几个方面来讲解Harris Corner，一是Harris Corner的思想，二是Harris Corner重要公式的推导，三是从图像的层面直观的观察每一个公式的结果。本人能力有限，如有纰漏，万望指正。Any advice and suggestions will be greatly appreciated。

## ##

我们的目的是在图像上找到角点。那我们在图像上设置一个小窗，然后我们将小窗再多个方向进行微小的移动，比对朝每个方向移动后的小窗与原始小窗中的数据，可能产生以下三种情况：

1.原始小窗在一个平面上，则小窗无论朝哪个方向进行移动后，改变的数值都很小；

2.原始小窗在一条边缘上，则小窗朝边缘的线性方向移动时，改变很小，但朝别的方向进行移动时，改变很大；

3.原始小窗在一个角点上，则无论它朝任何方向进行移动，都会有较大的改变

我们用数学公式对这个思想进行描述：

![20180311225220736][]

这是一个自相关函数，x，y代表的是小窗中原始图像的位置，detaX和detaY表示偏移量，w是一个平滑函数

中括号内部的函数表示对原始小窗和移动后的小窗进行距离的计算，对多个方向的小窗进行有一个高斯加权求和，得到一个响应值

对这个公式进行推导。

![20180311225236715][]

引入二元泰勒展开式，则

![20180311225519675][]

带入自相关函数

![20180311225348760][]

只观察大括号内

![20180311225432203][]

再带入自相关函数

![20180311225604100][]

考虑α，β为M矩阵的两个特征值：

如果两个特征值都很小，则说明窗口再各个方向变换都不大，说明它在平面内；

如果其中一个特征值很大，而另一个很小，则说明窗口在一个方向变化小，而另一个方向变换较大，说明窗口在边缘上

如果两个特征值都比较大，而且近似，那么说明这个窗口无论朝什么方向移动都比较大，说明窗口在角点上

可以知道矩阵的迹和矩阵的行列式可由下式算出

![20180311225618443][]

为了简化计算我们计算

![20180311225626944][]

当R大于设定阀值时，我们就认为当前点是角点。

考虑：

![20180311225639447][]

X，Y我们可以理解为图像在x和y方向上的一阶导，对于图像，我们可以用卷积模板进行卷积操作来实现

![20180311225646733][]

针对原始图像

![20180311225654286][]

对应的偏导图像X，Y分别为

![2018031122570560][]

这是一个简单的边缘检测。

针对自先关函数进行变形可得到

![20180311225717472][]

其中，

![20180311225726238][]

A，B，C对应M矩阵中的A，B，C

![20180311225733656][]

![20180311225742406][]

接着对图像M矩阵进行运算

![20180311225914720][]

得到相应图片

![20180311225851400][]

Harris计算特征值来判别角点，因此对方向有自适应性，所以能够具有旋转不变性。

但是针对不同尺度的角点，Harris由于并没有改变图片和模板大小，所以不能检测到别的尺度的角点。

![20180311225841264][]

还有一点，阀值R对图片亮度的变化不敏感，改变阀值能够很大程度的影响检测到的角点数目。

![20180311225831143][]

转载于:https://www.cnblogs.com/YuchengLuo/p/8597254.html

[20180311225220736]: /images/20210725/7e9cf452582546f7911997958d68fba6.png
[20180311225236715]: /images/20210725/d3ff9247c7ff4d7fa4ea8ba0569ca318.png
[20180311225519675]: /images/20210725/c9231b0629474afb94d8ee55b0eb6295.png
[20180311225348760]: /images/20210725/6aba5f51e8824f3bb8545eaf7121eb9e.png
[20180311225432203]: /images/20210725/b466479cfcc94ffc837a6e655c9bb0a1.png
[20180311225604100]: /images/20210725/f4e05c687941412fa4279ef4f6d9fb8e.png
[20180311225618443]: /images/20210725/80bcdee156a749d1ad0caa3edab35739.png
[20180311225626944]: /images/20210725/a742ca54a15545a29078d366fe4e3a68.png
[20180311225639447]: /images/20210725/219f2f75afbf46a7abae70b2c3448f8b.png
[20180311225646733]: /images/20210725/c60d9ee81f7240fcab487adb0ad5195b.png
[20180311225654286]: /images/20210725/197e5aa68c3247b785e5eca9813dbafc.png
[2018031122570560]: /images/20210725/611c54d6ea44450895fdb06248476f36.png
[20180311225717472]: /images/20210725/bc4e7202ef834fad84fb69f1fa831aed.png
[20180311225726238]: /images/20210725/e3b4cd180e9943d082d690cf2afaa0ed.png
[20180311225733656]: /images/20210725/ecf2e693dcf549cdb9b86676c5550dae.png
[20180311225742406]: /images/20210725/43895e3eed4d44e9b949f8b7de9b11d6.png
[20180311225914720]: /images/20210725/0fb05c23642746a9a076fb92cdfaacc6.png
[20180311225851400]: /images/20210725/ca0e0a201e9445a495ca6e89ef2b8f02.png
[20180311225841264]: /images/20210725/93fc87fe7ff7492cad07ad91bdec87f9.png
[20180311225831143]: /images/20210725/fed1b1e4504f412bb2861541e821cce9.png