角点

角点广义定义： 不同方向线条的交点。如下图： 数字图像中角点定义： 像素点附近区域像素无论是在梯度方向，还是在梯度幅值上都发生较大变化 一阶导数（灰度图像的梯度）的局部最大所对应的像素点 两条及两条以上边缘的交点 图像中梯度值和梯度方向变化速率都很高的像素点 角点处一阶导数最大、二阶导数为0，指示物体边缘变化不连续的方向 检测角点的意义： 角点是图像中的重要特征，对帮助人们理解、分析图像有重要的作用。角点在保留图像重要特征的同时，可以有效地减少信息的数据量。使信息含量变高，有效地提高了计算的速度，使得实时处理图像的可靠匹配成为可能。对于同一场景，视角发生改变，角点通常是不变的，具有稳定性。 角点检测（corner detection）是计算机视觉系统中获得图像特征的一种方法，由于角点检测的实时性和稳定性，所以角点检测广泛应用于运动检测、图像匹配、视频跟踪、三维建模和目标识别等领域。角点作为一种特征点，角点检测也被称为特征点检测。 大多数角点检测方法检测的是具有特定特征的图像点，不仅仅是“角点”。这些特征在图像中具有具体的坐标，并具有某些数学特征，如局部最小或最大。我们可以利用检测出的这些点，实现我们想要的操作。 传统的角点检测方法们： Moravec 角点检测算法 Harris 角点检测算法 Shi-Tomasi 角点检测算法 FAST 角点检测算法 Forstner 角点检测算法

　　这篇往后，会暂时先更ORB、SITF、SURF三篇特征算子，在代码部分，会在本篇介绍下OPENCV特征匹配的特征点KeyPoint、特征描述子和匹配算子Match等的构成。 一、背景： 　　目前特征匹配算子主要应用于目标追踪、图像匹配等多个方面，效果比较好的有SIFT、SURF、ORB等特征匹配算子，SURF由在SIFT上改进得到。目前暂更ORB、SIFT和SURF三种特征匹配算子。在此，先简要介绍下三种算子，ORB采用FAST进行特征点检测，相对于SIFT和SURF具有运行速度快的优点，OBR算法推出晚于SIFT和SURF算法，运行速度优于SIFT和SURF（网上可以搜到三者运行速度差距，在此不再展示），主要应用于实时图像匹配。SIFT和SURF具有更好的稳定性，SURF是SIFT的改进版本，运行速度和匹配效果均优于SIFT。(在此介绍SIFT,是希望读者了解其中的算法，SIFT在最初的特征匹配上，有比较好的效果。同时希望，读者如果有兴趣，可以继续改进SIFT，万一再研究出个SXXXX，发表论文、申请专利呢？？？hhhhh)。 二、ORB特征匹配原理： 　　 特征匹配的步骤一般可分为3步：1.检测特征点，2.计算特征点的描述子，3.根据特征点的描述子进行特征点匹配。 ORB特征点检测： 　　1.ORB在特征点检测部分，采用FAST算法进行特征点检测

http://blog.csdn.net/lwzkiller/article/details/54633670 关于角点的应用在图像处理上比较广泛，如图像匹配(FPM特征点匹配)、相机标定等。网上也有很多博客对Harris角点检测原理进行描述，但基本上只是描述了算法流程，而其中相关细节并未作出解释，这里我想对有些地方做出补充说明，正所谓知其然知其所以然，如有不对，还望指正。 关于角点的应用在图像处理上比较广泛，如图像匹配(FPM特征点匹配)、相机标定等。网上也有很多博客对Harris角点检测原理进行描述，但基本上只是描述了算法流程，而其中相关细节并未作出解释，这里我想对有些地方做出补充说明，正所谓知其然知其所以然，如有不对，还望指正。 1. 何为角点？ 下面有两幅不同视角的图像，通过找出对应的角点进行匹配。 再看下图所示，放大图像的两处角点区域： 我们可以直观的概括下角点所具有的特征： >轮廓之间的交点； >对于同一场景，即使视角发生变化，通常具备稳定性质的特征； >该点附近区域的像素点无论在梯度方向上还是其梯度幅值上有着较大变化； 2. 角点检测算法基本思想是什么？ 算法基本思想是使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。 3

cv2.cornerHarris()函数 cv2 . cornerHarris ( src , blockSize , ksize , k , dst = None , borderType = None ) src ：数据类型为 float32 的输入图像 blockSize ：角点检测中考虑的区域大小 ksize ：Sobel求导中使用的窗口大小 k ：Harris 角点检测方程中的自由参数，取值参数为 [0.04 0.06] dst ：输出图像 borderType ：边界的类型 import cv2 import numpy as np img = cv2 . imread ( 'test_1.jpg' ) print ( 'img.shape:' , img . shape ) #img.shape: (800, 1200, 3) gray = cv2 . cvtColor ( img , cv2 . COLOR_BGR2GRAY ) gray = np . float32 ( gray ) #cv2.cornerHarris()函数的返回值其实就是R值构成的灰度图像,灰度图像坐标会与原图像对应　　 #Ｒ值就是角点分数,当Ｒ值很大的时候就可以认为这个点是一个角点,所以可以通过选取值更大的点，来更精确的检测角点 dst = cv2 . cornerHarris ( gray

文章目录 一.原理 二.实验 1.第一组：垂直或水平边缘多 1.1原图 1.2侧面 1.3旋转 1.4尺寸 1.5实验分析 2.第二组： 纹理角点丰富 2.1原图 2.2侧面 2.3旋转 2.4尺寸不同 2.5实验分析 3.第三组：纹理平坦 3.1原图 3.2侧面 3.3旋转 3.4尺寸 3.5实验分析 三.结论 一.原理 角点的类型： 角点原理来源于人对角点的感性判断，即图像在各个方向灰度有明显变化。算法的核心是利用局部窗口在图像上进行移动判断灰度发生较大的变化，所以此窗口用于计算图像的灰度变化为： [-1,0,1;-1,0,1;-1,0,1][-1,-1,-1;0,0,0;1,1,1]。 从各个方向上移动这个特征的小窗口，如图3中窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如图中，窗口内图像的灰度没有发生变化，那么窗口内就不存在角点；如果窗口在某一个方向移动时，窗口内图像的灰度发生了较大的变化，而在另一些方向上没有发生变化，那么，窗口内的图像可能就是一条直线的线段。 二.实验 1.第一组：垂直或水平边缘多 1.1原图 1.2侧面 1.3旋转 1.4尺寸 1.5实验分析 实验中对图片的旋转和不同角度的角点检测都差不多，都能够检测出来，但是在尺寸不同的时候，比较远的拍的照片的角点比较多，近处拍的照片的角点比较少。 2.第二组： 纹理角点丰富 2.1原图 2

目录 1 特征检测 1.1特征检测定义 1.2特征定义 2 Harris角点检测 2.1角点定义 2.2Harris角点检测基本原理 2.3Harris角度行政 2.4代码实现 2.5不同场景实验结果 2.6实验结果分析 1 特征检测 1.1特征检测定义 特征检测是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征检测的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 1.2特征定义 特征就是有意义的图像区域，该区域具有独特特征和易于识别性。因此角点及高密度区域都是很好的特征，而大量重复的模式或低密度区域(例如图像中的蓝色天空)则不是很好的特征。边缘可以将图像分为两个区域，因此也可以看做好的特征。斑点是与周围有很大差别的像素区域，也是有意义的特征。 2 Harris角点检测 2.1角点定义 角点是图像很重要的特征,对图像图形的理解和分析有很重要的作用。角点在保留图像图形重要特征的同时,可以有效地减少信息的数据量,使其信息的含量很高,有效地提高了计算的速度,有利于图像的可靠匹配,使得实时处理成为可能。角点在三维场景重建运动估计，目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。在现实世界中，角点对应于物体的拐角，道路的十字路口、丁字路口等

文章目录 简介 0. Abstact 1. Introduction 2. Related Works 3. Our Approach 3.1 Baseline and Motivation 3.2 Object Detection as Keypoint Triplets 3.3 Enriching Center and Corner Information Center Pooling 3.4 Training and Inference 4. Experiments 5. Conclusions 参考 简介 图1：论文原文 本文是发表在ICCV2019上的一篇基于Anchor-Free的目标检测论文。CenterNet——顾名思义，本文检测流程是先得到目标的中心点，再由中心点得到边界框，进而完成目标检测过程。 论文原文 源码 0. Abstact 本文提出一种基于关键点的目标检测算法——CenterNet，将检测边界框转化为检测一个关键点，即目标的中心点。同 CornerNet 一样，这避免了一系列Anchors的操作。实验结果为该方法在MS COCO数据集上的AP为47.0%，一阶段算法上表现SOTA。 本文贡献 ：（一）提出一种新的Anchor-Free目标检测方法（主要是对CornerNet的改进）；（二）提出两种新的池化方法用于改善关键点的生成。 1.

之前想用TensorFlow + OpenCV做目标检测，但是最后因为TF2.0资料属实不多所以夭折了，不过OpenCV还是非常值得学习的。 特征检测算法 OpenCV中比较常用的特征检测和提取算法： Harris：用于角点检测 SIFT：用于斑点检测 SERF：用于斑点检测 FAST：用于角点检测 BRIEF：用于斑点检测 ORB：带方向的FAST算法和具有旋转不变性的BRIEF算法（暴力匹配和基于FLANN的匹配法） 特征 上述算法中提到了角点和斑点，这是两种重要的特征。特征是有意义的图像区域。 cornerHarris角点特征 Harris算法中认为，平坦区域在所有方向上都没有明显的梯度变化，边缘区域在某个方向上有明显的梯度变化，角度边缘则在各个方向都有明显的梯度变化。 下面用一张国际象棋的图片和cornerHarris演示角点识别 import cv2import numpy as npimg = cv2.imread('chess.jpg')gray1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#灰化,可以降低维度，将三通道变为一通道gray = np.float32(gray1)dst = cv2.cornerHarris(gray, 2, 15, 0.04)#参数依次为：输入图像，角点区域大小，求导使用的窗口大小，自由参数取值[0

图像特征--harris角点检测 基本原理 cv2.cornerHarris() - img： 数据类型为 float32 的入图像 - blockSize： 角点检测中指定区域的大小 - ksize： Sobel求导中使用的窗口大小 - k： 取值参数为 [0,04,0.06] import cv2 import numpy as np img = cv2.imread('test_1.jpg') print ('img.shape:',img.shape) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # gray = np.float32(gray) dst = cv2.cornerHarris(gray, 2, 3, 0.04) print ('dst.shape:',dst.shape) 效果： img.shape: (800, 1200, 3) dst.shape: (800, 1200) img[dst>0.01*dst.max()]=[0,0,255] cv2.imshow('dst',img) cv2.waitKey(0) cv2.destroyAllWindows() 效果： 来源： https://www.cnblogs.com/SCCQ/p/12299472.html

在本文中，我们介绍了CornerNet，这是一种新的one stage目标检测方法，可以消除anchor boxes。 我们将一个目标物体检测为一对关键点——边界框的左上角和右下角。 我们使用单个卷积网络来预测同一物体类别的所有实例的左上角的热图，所有右下角的热图，以及每个检测到的角点的嵌入向量。 嵌入用于对属于同一目标的一对角点进行分组——训练网络以预测它们的类似嵌入。 我们的方法极大地简化了网络的输出，并且无需设计anchor boxes。所以文章提出的网络通过预测框的左上角点，右下角点和角点的嵌入向量（embedding vector）来得到最终的检测框 网络结构 在CornerNet中，我们将物体边界框检测为一对关键点（即边界框的左上角和右下角）。卷积网络通过预测两组热图来表示不同物体类别的角的位置，一组用于左上角，另一组用于右下角。 网络还预测每个检测到的角的嵌入向量[27]，使得来自同一目标的两个角的嵌入之间的距离很小。 为了产生更紧密的边界框，网络还预测偏移以微调整角的位置。 通过预测的热图，嵌入和偏移，我们应用一个简单的后处理算法来获得最终的边界框。 图4提供了CornerNet的概述。 我们使用沙漏网络作为CornerNet的骨干网络。 沙漏网络之后是两个预测模块。 一个模块用于左上角，而另一个模块用于右下角。 每个模块都有自己的corner pooling模块