Lnton羚通视频分析算法平台Harris角点检测算法

Harris 角点检测算法是计算机视觉领域中的一种经典角点检测算法，它能够对图像中的角点进行检测和定位。Harris 角点检测算法基于图像亮度的变化来判断像素是否为角点，并使用局部结构的矩阵来评估角点的强度。以下是 Harris 角点检测算法的主要步骤：

图像梯度计算：首先，对原始图像进行梯度计算，以获取每个像素点在 x 方向和 y 方向上的梯度值。常用的方法是 Sobel 或 Roberts 算子。

计算结构矩阵：基于图像梯度，计算每个像素点的结构矩阵 M。结构矩阵 M 的定义如下：

M = sum(W(x, y) * [I_x^2, I_x * I_y; I_x * I_y, I_y^2])

其中，W(x, y) 是一个窗口函数，用于对附近像素进行加权，通常选择高斯函数。I_x 和 I_y 分别表示像素点 (x, y) 处的梯度值。

计算角点响应函数 R：通过计算结构矩阵的特征值（λ1 和 λ2）来评估像素点的角点性质，并得到角点响应函数 R。R 的计算公式如下： R = det(M) - k * trace(M)^2

其中，det(M) 表示结构矩阵 M 的行列式，trace(M) 表示 M 的迹（即特征值的和），k 是一个常数（通常设置为 0.04 - 0.06），用于调整角点的响应程度。

响应函数阈值化：根据设定的阈值对角点响应函数 R 进行阈值化处理，以筛选出具有较高响应的像素点，这些像素点被认为是角点。

非极大值抑制：对于附近的多个角点，通过非极大值抑制的方法选取其中的局部最大值，以减少重复检测的角点。

import cv2
import numpy as np 

# 读入图片并灰度化
# img = cv2.imread("assets/blox.jpg")
img = cv2.imread("assets/left08.jpg")
# img = cv2.imread("assets/chessboard(1).png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测角点
gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)

# 膨胀
dst = cv2.dilate(dst, None)

# 找到计算值比较大的，并显示
img[dst>0.01*dst.max()] = [0, 0, 255]

cv2.imshow('dst', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

 Harris 角点检测算法具有较好的角点检测效果，尤其在对纹理丰富、视觉差异明显的图像中表现出色。然而，它对尺度变化和旋转变化较为敏感，并且可能会检测到一些边缘点。因此，在实际应用中，常常结合其他算法或进行后续处理，以提高检测的准确性。

Lnton 羚通专注于音视频算法、算力、云平台的高科技人工智能，基于视频分析技术、视频智能传输技术、远程监测技术以及智能语音融合技术等， 拥有多款可支持 ONVIF、RTSP、GB/T28181 等多协议、多路数的音视频智能分析服务器。