基于改进Harris的消音壁亚像素级角点检测算法_马韵琪.pdf

长春理工大学学报（自然科学版）Journal of Changchun University of Science and Technology（Natural Science Edition）Vol.46No.1Feb.2023第46卷第1期2023年2月马韵琪，等：基于改进Harris的消音壁亚像素级角点检测算法收稿日期：2022-07-13基金项目：科技部国家重点研发计划项目（KYC-JC-XM-2018-157）作者简介：马韵琪（1996-），女，硕士研究生，E-mail：通讯作者：田明（1971-），男，硕士，副教授，硕士生导师，E-mail：基于改进 Harris 的消音壁亚像素级角点检测算法马韵琪，田明，刘阳，王雨萌，李国旺（长春理工大学光电工程学院，长春130022）摘要：在计算机视觉领域，角点检测作为图像拼接、三维重建等算法的关键，能够直接影响视觉处理的最终效果。为了进一步提高角点检测在消音壁视觉检测应用场景下的精度，提出了一种亚像素级角点检测算法，首先以 Harris算法获得像素级角点为中心角点，然后通过最小二乘法迭代计算不断逼近，最后计算得出亚像素级角点坐标。实验结果表明，算法角点检测的平均偏移量为 0.18 像素，相较 Harris 角点检测算法的偏移量降低 0.56 像素，在确保正确率的基础上更加接近真实值，能够满足在消音壁视觉检测应用场景下的精度需求。关键词：亚像素；特征提取；角点检测；Harris 算法；消音壁中图分类号：TN911.73文献标志码：A文章编号：1672-9870（2023）01-0044-08Subpixel-level Corner Detection Algorithmof Sound-Absorbing Wall Based on Improved HarrisMA Yunqi，TIAN Ming，LIU Yang，WANG Yumeng，LI Guowang（School of Opto-Electronic Engineering，Changchun University of Science and Technology，Changchun 130022）Abstract：In the field of computer vision，corner point detection，as the key to algorithms such as image stitching and 3Dreconstruction，can directly affect the final result of vision processing.In order to further improve the accuracy and precisionof corner point detection in the visual inspection scenario of silenced walls，this paper proposes a sub-pixel level cornerpoint detection algorithm，which firstly obtains the pixel level corner point as the central corner point by Harris algorithm，and then iteratively approximates it by the least squares method，and finally calculates the sub-pixel level corner point coor-dinates.Experimental results show that the average offset of this algorithm is 0.18 pixels，which is 0.56 pixels lower thanthat of the Harris algorithm，and is closer to the true value on the basis of ensuring the correct rate.Key words：sub-pixel；feature extraction；corner detection；Harris algorithm；sound-absorbing wall计算机视觉技术的广泛应用为军事、工业、医疗等领域带来了极大便利，例如缺陷检测1-2、目标追踪3-4、图像识别5-6等。其中，角点检测作为计算机视觉领域的关键算法，其算法精度直接决定了图像拼接、三维重建等高层次算法的计算结果。因此，近年来国内外科研人员均致力于进一步提高角点检测算法的计算精度。在国际方面，1999 年哥伦比亚大学的 Lowe7提出了SIFT（Scale-invariant feature transform）算法，该 算法提取的角点具有良好的尺寸不变性、亮度不变性和旋转不变性，但是该算法的时间复杂度高。2006 年 Bay H 等人提出了 SURF（Speeded UpRobust Features）算法，该算法对 SIFT 算法的时间复杂度进行了改进。在 2008年，Agrawal M 等人8提出了 CenSurE（Center-Surround detectors for Realtime Feature Detection and Matching）算法，它具有实时性。2011年，Leutenegger S等人9提出了BRISK（Binary Robust invariant scalable keypoints），该算法能得到丰富的角点信息，且运算速度也有提高。在国内方面，2002 年张迁等人10提出了一种基于 SUSAN（Smallest Univalue Segment AssimilatingNucleus）算 子 的 图 像 配 准 方 法，该 方 法 利 用SUSAN 算子提取两幅图像的角点，通过粗匹配和细匹配两个步骤得到匹配角点对，再根据角点对对图像进行配准，此方法有效地实现航空影像 的 自 动 配 准。2010 年 贺 柏 根 等 人11，使 用Harris 算法检测金属材料的硬度，长度精度达到微米级别，实现了无须人工参与的全自动检测算法，该方法达到了很快的计算速度，可用于实时的材料硬度全自动检测工程中。2015 年周志艳等人12使用自适应 Harris 角点检测算法，该算法在传统的 Harris 角点检测算法的基础上进行改进，采用基于图像像素灰度值标准差标准化的方法进行角点的自适应确定，并对角点进行特征描述，利用角点特征描述算子之间的欧氏距离进行配准，实现了水稻农田的图像配准与拼接。同年，许薛军13提出了一种基于数字图像的道路工程构造物开裂与表面识别技术，该技术提出了一种Harris和SV（Symmetry and Variance）结合的角点识别算法，能精确计算像素的物理尺寸，该系统应用于 G205 国道改造示范工程重点路段的监控系统，进行桥梁裂缝检测和边坡表面变形检测。2021 年胡晓彤等人14利用优化的 Harris 算法，提出了一种基于图像角点灰度特征信息与曲率曲度相结合的特征点检测算法，通过结合角点灰度特征分析与曲率检测特征点的优势，同时兼顾了定位精度和检测成功率，该算法在相同时间可提供精准度更高的特征点，解决了不同环境下的工业零件的角点检测问题，在实际应用场景中对特征点检测的精度提升具有较大的作用。综上所述，基于特征点提取的视觉检测算法由于其便利、非接触、高效率、提取均匀的优势已在各领域得到了广泛应用。本文提出了一种亚像素级角点检测算法，该算法通过对 Harris 算法得到的角点坐标进行数学迭代计算，能够实现更高精度的角点坐标提取，精度可提高 50%。在消音壁视觉检测的应用场景下，效果优于传统像素级的角点定位，能够进一步提高消音壁视觉检测的实际效果。1Harris 角点检测原理1.1角点算法分类角点是图像中灰度变化剧烈的点或者图像轮廓边界的角点，可以体现图像的局部特征，在图像匹配、运动估计、视觉追踪、三维重建等应用中具有重要的价值。相较于直线、边缘等其他局部特征，角点具有提取简单、易于描述、鲁棒性高的优点。角点检测方法可分为基于灰度强度的方法和基于边缘轮廓的方法。基于灰度强度的角点检测算法不用对图像进行预处理分割和边缘提取等工作，应用领域相对广泛。典型的基于灰度强度的角点检测算法包括 Moravec 算法、Harris 算法、SUSAN 算法等。最早的角点检测由 Moravec15提出，该算法考虑图像中一个固定区域，沿着四个方向移动，通过在图像上移动一个二值矩阵窗口来查找最小灰度值变化的最大值，这种方法的缺点是对噪声边缘敏感，不具有旋转不变性。但是 Moravec 算子作为第一个被广泛使用的角点检测算法，开创角点检测的先河。Harris 算法16是 Moravec 算法的改进，通过自相关函数描述局部图像灰度变化，该算法对噪声不敏感，具有平移不变性和旋转不变性，且在不同光照下具有良好的稳定性。SUSAN 算法17首先利用一个圆形模板在图像上滑动，根据所覆盖区域内像素与中心点处像素灰度差寻找角点，该算法的运算速度快，且定位精度高，同时也具有平移不变性和旋转不变性，马韵琪，等：基于改进Harris的消音壁亚像素级角点检测算法第1期45长春理工大学学报（自然科学版）2023年但是该算法重复度高，在处理模糊图像时效果较差。基于边缘轮廓的算法在角点检测前要先进行边缘轮廓检测，进而在轮廓上检测角点，主要方法有基于Freeman链码检测、基于CSS（Curvature-Scale-Space）角点检测算法等。其中，Freeman18链码的角点检测首先要进行图像分割，然后提取图像边界的 Freeman 链码，角点则为方向改变速率大的点，该算法计算步骤简洁，但是依赖于图像分割的质量，且需要计算夹角，对噪声很敏感。CSS 角点检测算法是 Mokhtarian 等人19提出的，根据不同角度下的局部曲率来判定角点，该算法对轮廓局部变化和噪声高度敏感，缺点是很难选择合适的高斯尺度平滑轮廓和角点阈值。1.2Harris 算法原理Harris 角点检测算法是由 Chris Harris 提出的一种点特征提取算法，具有旋转、灰度和尺度等不变特性。该算法的基本思想是使用一个以目标像素为中心的固定窗口在图像上进行任意方向上的移动，如图 1 所示，计算窗口沿任何方向移 动 后 的 灰 度 变 化 以 及 角 点 响 应 函 数（CornerResponse Function，CRF）来确定角点。（a）平坦区域（b）边缘区域（c）角点区域图 1角点窗口在不同区域上的移动假设目标像素点(x,y)在X方向和Y方向上分别移动u和v后的灰度变化为：E(u,v)=x,yw(x,y)I(x+u,y+u)-I(x,y)2（1）式中，w(x,y)是以点(x,y)为中心的窗口函数，一般选取高斯加权函数。I(x+u,y+u)可用泰勒公式展开得：I(x+u,y+u)=I(x,y)+Ixu+Iyv+O(u2+v2)（2）于是，式（1）可进一步表示为：E(u,v)=x,yw(x,y)Ixu+Iyv+O(u2+v2)2（3）式中，Ix、Iy为图像灰度函数的一阶方向导数；O(u2+v2)为关于u2+v2的无穷小，可用其分别对应求导方向上的差分来近似：Ix=Ix=I Qx（4）Iy=Iy=I Qy（5）式中，Qx、Qy分别为方向导数模板，形式如图 2 所示。Qx=111000-1-1-1（a）Qx方向导数模板Qy=10-110-110-1（b）Qy方向导数模板图 2Qx和Qy方向导数模板对于局部微小的移动u,v，可近似得到下面表达式：E()u,v=uv M uv（5）式中，M为：M=x,yw(x,y)I2xIxIyIxIyI2y（6）46w(x,y)=122e-(x2+y2)/22（7