角点检测算法优化研究

20卷第220113云南民族大学学报(自然科学版JournalofYunnanUniversityofNationalities(NaturalSciences20卷第220113云南民族大学学报(自然科学版JournalofYunnanUniversityofNationalities(NaturalSciencesl．20o．r．doi:03969/jin．1672－3．1．2角点检测算法的优化研究刘莹张久东云南民族大学数学与计算机科学学院摘要:在研究Harris角点检测算法时发现检测出的角点常常会受到噪声的影响．通过优化s角点响应函数避免了角点响应函数中k值的影响提高了每个目标像素点的响应值精度．把该方法运用到人脸特征的检测中实验结果表明该算法和传统的as角点检测算法相比抗噪能力有较大提高．关键词:特征点检测;人脸识别;噪声;中图分类号:A文章编号167285132011)020136OptimizationofHarrisCornerDetectionLIUYing，ZHANGJiu-dong，ZHOUWei-(SchoolofMathematicsandComputerScience，YunnanUniversityofNationalities，KunmingAbstract:ThisresearchfocusesontheHarriscornerdetectionalgorithm，andfindsthatsomecornersareoftenin-fluencedbyne．Inthisresearch，theresponsefunctionofcornerdetectionisoptimizedtoavoidtheinfluencekTheprecisionofeachtargetxs＇featureresponsefunctionised．Whenusedtodetectfacefeatures，theexperimentalresultsshowthattheanti－noiseabilityofthisalgorithmisgreatlyenhancedifcomparedwiththeHar-riscornern．Keywords:featuredetection，facerecognition，noise，response识别等方面得到了广泛的应用是计算机视觉研究中的热点．现实世界中人类通过人眼视觉系统来识别物体和不同的人这个看似简单的过程对计算机来说却非常地困难计算机要先通过对图像进行数据分析然后从中提取出准确稳定的特征信息来进行识别．所以特征点的提取直接影响到图像识别的正确率和速率角点作为特征点的一种包含了大量的图像信息．目前特征点提取的算法大概可以分为2种:一种是che］提出的基于轮廓线的方1Harris角点检测算子是算子的改4－］．oavec算子是oavce于1977年提出的利用灰度方差提取特征点的算子该算法以目标像素点为中心选取一个二值窗口计算0°45°90°，135°四个方向的灰度差平方和取最小值为该像素点的兴趣值．as在此基础上提出了用高斯函数代替二值窗口函数对每一个目标像素点用aor展开去近似任意方向以此得出兴趣值．假设目标像素点的坐标为(xy)在x方向上和在y方向上移动的距离分别是u和v那么该像素点的灰度变换度:法另一种就是基于图像灰度值的方法 Harris检测算法不受摄像机姿态以及光照的影响是效果比较好的一种算法是它对噪声却比较敏感收稿日期201011基金项目:云南省教育厅研究生科学研究基金(09J0061，2010J071)作者简介:刘莹(1983女硕士研究生．主要研究方向:数字图像处理通讯作者:周卫红(1969－男硕士副教授．主要研究方向:数字图像处理 Harris2的函数与M2个特征向量λ1λ2有关． E x)uyx)M标像素点的自相关矩 2个特征值λ1∑222xy)+v)(λ2 0如果满足条件λ1λ2那么R Harris2的函数与M2个特征向量λ1λ2有关． E x)uyx)M标像素点的自相关矩 2个特征值λ1∑222xy)+v)(λ2 0如果满足条件λ1λ2那么Rxy= –12的值趋于0而且有01II+xx x12)xy)和特征多项式λ－M有关且IIR=λ1－xyxy2－4λ traceM2－4detM．假=u112 v(R*=0R*1R*的表达式4dettraceM22=ex+y)/σI为图像灰度函数I为一般定义为R=．(x*I)y以(5)式作为检测时的响应函数时→的无穷小量．矩阵M是目标像素点的自相关矩阵它主曲率成正比．当2个特征值均较小时表明目标点附;方向的移动均将导致灰度的剧烈变化．由此而得到Harris的角点响应函数R:时该点可以判断为角点;当R*0时该点缘点．但是这个表达式仍存在一些缺陷在2个特征值相等和不相等的时候R*值是不同的．为了避免这个问题通常会在分母部分加上一个参数得到个更稳健的表达式如下 4det 4λ1 R*==·(traceMε+++2R=det(M)–k(trace(M))( 其中ε为任意小的正数式(6)中没有k值避免了因k值选择的随机性对响应函数的影响0那么R也将趋于0;如果2个λ1M其中det(M)表示矩 的行列式trace(Mλ1+λ2表示矩阵的迹k的取值范围是~006当目标像素点的R值大于给值比较接近而且都比较小R值仍然趋于2如果Harris算法虽然较Moravec算子是有所改进但是仍然存在以下不足8－］:①角点提取的质量和数量很大程度上取决于阈值的设定阈值大会丢失一部分角点阈值小会降低角点的质量同时对噪声也比较敏感;②检测过程中高斯平滑函数的窗口大小不易控制窗口过小受噪声的影响就大窗口大则会使角点的位置产生偏移增加算法的计算量;若为了降低噪声的影响用无限光滑的高斯函数做RStep2:计算每个像素点的角点响应值;Step3:在高斯窗口内寻找极大值若R*(6)代替原s中的角点响应函数，(4)不仅不改变R值与每个像素点的自相关保留了原算法的优点而且同一个目标点优化后这一特使本文的算法在进行角点检测时找到了之前漏检当有噪声干扰时弱化了噪声对目标像素点2Harris角点检测算法存在的不足可以通过优化公式4)来改进公式4)中的k值有一个取值k角点响应函数仍然在使用是因为如果k恰当的话算法也可以达到很好的效果．k值的选取要经过大量的实验进行调试验证．要避免上述问题需要找到一个不受k值影(4)．公式(4)中的响应函数R是关于自相关矩阵3仿真实验Matlab70的环境下运行是原始图片检测到的特征点左边是文献［3］中Harris算法结果右边是本文算法结果云南民族大学学报(自然科学版20少而加入噪声之后角点的数目急剧增加．经过改进后受噪声的影响率没有超过0．3这比原Harris算法的影响率已云南民族大学学报(自然科学版20少而加入噪声之后角点的数目急剧增加．经过改进后受噪声的影响率没有超过0．3这比原Harris算法的影响率已经降低了很多本文采用的角点响应函数，使每个目标点的R值降低了因加入噪声而大幅度波动2加入噪Harris算法得到了更多稳定的角点加入噪声加入噪声加入噪声Harris算0.8751.0411.020为了检测算法的抗噪性值为方差为0．01;均值为0方差为0．02的高斯0.1160.2520.184声以及叠加密度为004的椒盐噪声之后用这2种法对加入噪声后的图片进行角点检测．图2为原Harris算法检测到的角点图3为本文算法检测到的角点．4干扰已经不能满足要求．怎样得到大量的且不声影响的特征点就显得很重要．本文通过改进角点响应函数提高在检测时每个目标点的精度特征点判定时降低了噪声的影响一定程度了解决了上述问题．［1］KITCHENL，ROSENFELDAGraylevelcornerJ．Letter198［2］SMITHSM，BRADYMAnewapproachtolowlevelim-ageprocessingJInternationalJournalofComputerVi-sion，1997，23(1):45－8［3］HARRISC，STEPHENSMAcombinedcornerandedgedetector［C］//FourthAlveyVisionfre．1998:147–1［4］毛雁明兰美辉．一种改进的基于Harris的角点检测方法J．计算机技术与发展2009551279．surfac．versity1989．［6］李霞赵宇明．基于特征的人脸分类算法研究J．微型电脑应用2010264):604［7］邱建国张建国李凯HarrisSift算法的图像匹J．4［8］何应辉蔡光程．角点检测的一种新方法J．云南民族大学学报自然科学版2007161):457［9］解洪胜王连国基于DTCWT和SVM的人脸图像集成分类方法J．云南民族大学学报自然科学版，2010195):313－6．［10］何应辉蔡光程黄晓昆改进的基于模板的角点检测算法J．云南民族大学学报:自然科学版，2010，19(4):309－