基於C 的opencv（十二）角點檢測

角點檢測被定義為兩條邊的交點，更嚴格的說法是，角點的區域性領域應該具有兩個不同區域的不同方向的邊界。而實際應用中，大多數所謂的角點檢測方法檢測的是擁有特定特徵的影象點，而不僅僅是「角點」。這些特徵點在影象中有具體的座標，並具有某些數學特徵，如區域性最大或最小灰度、某些梯度特徵等。

興趣點（interest points），也被稱作關鍵點（key points）、特徵點（feature points）。他被大量用於解決物體識別、影象識別、影象匹配、視覺跟蹤、三維重建等一系列問題。

影象特徵型別可以被分為如下三種：

1.邊緣；

2.角點（感興趣關鍵點）；

3.斑點（blobs）（感興趣區域）。

如果某一點的任意方向的乙個微小變動都會引起灰度很大的變化，那麼我們就把它稱之位角點。

角點的具體描述：

1.一階導數（即灰度梯度）的區域性最大所對應的畫素點；

2.兩條及兩條以上邊緣的交點；

3.影象中梯度值和梯度方向的變化速率都很高的點；

4.角點處的一階導數最大，二階導數為零，它指示了物體邊緣變化不連續的方向。

在當前的影象處理領域，角點檢測演算法可歸納為以下三類：

1.基於灰度影象的角點檢測；

2.基於二值影象的角點檢測；

3.基於輪廓曲線的角點檢測。

而基於灰度影象的角點檢測又可分為基於梯度、基於模板和基於模板梯度組合三類方法。其中基於模板的方法主要考慮畫素領域點的灰度變化，即影象亮度的變化，將與領點亮度對比足夠大的點定義為角點。

harris角點檢測是一種直接基於灰度影象的角點提取演算法，穩定性高，尤其對l型角點檢測精度高。但由於採用了高斯濾波，運算速度相對較慢，角點資訊有丟失和位置偏移的現象，而且角點提取有聚簇現象。

shi-tomasi演算法是harris演算法的改進，此演算法最原始的定義是將矩陣m的行列式值與m的跡相減，再將差值同預先給定的閾值進行比較。

亞畫素級角點檢測的位置在攝像機標定、跟蹤並重建攝像機的軌跡，或者重建被跟蹤目標的三維結構時，是乙個基本的測量值。