角点检测算法在防护工程监控中的应用

孙亮

摘要：安全监控是防护工程中重要的组成部分，在安全监控中，角点检测具有重要意义， 它决定了监控图像中目标的形状和特征。该文详细阐述了几种经典的角点检测方法，对不同方法逐一进行归纳分析， 并基于仿真结果对各种检测算法在防护工程中的应用效果给出了评价。并进一步探讨了未来的研究方向。

关键词：安全监控；防护工程；灰度值；角点检测

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）34-8275-02

在防护工程视频监控中，图像处理是一个非常重要的步骤。角点是图像重要的局部特征，它体现了图像中大量的特征信息。它不仅可以减少处理过程中的计算量，而且可以削弱外界因素的影响，对噪声干扰、灰度变换、图像形变等都有较好的适应能力[1-4]。

目前，角点检测的算法主要有基于图像边缘轮廓特征和基于图像灰度变化两种，其中第一种方法计算量较大且易受外界环境的干扰，故其使用范围有限。该文主要对实际应用中比较广泛的几种基于灰度的角点检测算法进行归纳分析， 并对各算法在防护工程中的应用效果给出了评价。

1 角点检测算法简介

1.1 Harris角点检测算法

Harris算法是机器视觉领域的一种经典算法。它简单稳定，并能得到比较理想的结果，从而得到了广泛应用。Harris角点检测算法主要计算模板窗口沿各个方向进行移动后的灰度变化[5-6]。设以像素点（x y）为中心的模板在X方向上移动u，Y方向上移动v，则可以得出灰度变化的表达式为：

1.2 SUSAN角点检测算法

SUSAN算法是在1997年提出了一种新的检测算法，又称最小核值相似区算法。算法将离散的圆形窗口中心点所对应的待检测的像素点称之为核，以其他像素点和核像素灰度值之差将邻域划分为两部分，一部分是邻域像素点灰度值相似于核像素点的区域，即核相似区（USAN），另一部分即为核不相似区[7-8]。一般认为当USAN区域为最大值的四分之一时，即可认为该点为角点。

为了进行角点检测，需要将模板内各个像素点灰度值与核像素点的灰度值进行比较，公式（5）为应用中常用的灰度比较函数：

1.3 MIC角点检测算法

MIC 角点检测算法是一种基于最小亮度变化的快速角点检测算法，它由Miroslav Trajkovic和Mark Hedley在1998年提出，它通过比较模板内的亮度值变化，从而能够快速检测出角点[9-10]。

假设任意一条穿过模板中心的直线与圆模板的交点为p1和p2，则算法初始角点响应函数定义如下：

2 算法比较与仿真

2.1 算法比较

Harris算法是角点检测中最常使用的算法，它有多项优点：1） 计算方便，Harris算子中只用到灰度的一阶差分。2） 提取的点特征均匀且合理，且数量比较多。3） 可以定量的提取特征点，Harris算子最后一步是对所有点的响应值进行排序，因此可以根据需要定量的提取最优点。4） 稳定，Harris算子的计算公式只涉及一阶导数，因此对外部环境变换并不敏感。

但是，它也有一些缺点。首先，Harris的定位精度相对较差，很容易产生一定的角点偏移。其次，阈值只能根据图像特征使用一个经验值，很难适用于整个图像。最后，Harris角点检测算子没有尺度不变性。

SUSAN算法避免了梯度计算， 且不依赖于前期图像处理，直接对像素的邻域灰度值比较即可检测出角点，计算相对简单。此外，算法检测精度高，一般不会出现角点偏移现象。但它漏检度比较高，在低对比度区域效果并不理想。

MIC算法具有精度高，运算速度快，稳定性好，对噪声具有鲁棒性的优点，但在图像的量化处理上，插值法不能达到很好的效果，致使有些边缘点和角点区分不出来，使用大的模板进行CRF运算，会遗漏很多角点，并会造成角点定位不够准确。同时，在多格法中，当图像分辨率变化时，必将丢失一部分角点。

为了对本文所阐述的几种经典进行进一步归纳分析，并检验各种检测算法在防护工程中的应用效果。该文使用了一张防护工程视频监控图像，并使用三种算法进行处理。得到的结果如图1所示。

由图1（b）可以看出，使用Harris角点对图像进行检测，所得的角点多，分布均匀，并且对对灰度变化、噪声影响和视点变换并不敏感。但是它定位精度比较差，有一定的偏移。因此Harris角点检测算法适用于图像比较大，要求检测点数目较多，对图像精度要求并不太高的情况。

由图1（c）可以看出SUSAN算子检测精度高，计算复杂度低。但它漏检度比较高，在低对比度区域效果并不理想。其适用于精度要求比较高，计算要求比较高的高对比度图像。

由图1（d）可以看出，MIC算子计算速度快，稳定性好，对噪声具有鲁棒性。但在部分角点处出现了角点聚集现象。因此适用于噪声环境，要求速度比较快的情况。

3 结论

本文对现有的几种基于灰度的角点检测方法进行了分类概述，并且基于实际需求，使用了一张防护工程监控图像进行仿真，从角点检测的快速性、准确性、鲁棒性等方面出发，进行检测效果对比。分析并得出了各种角点检测算法在防护工程应用中的优缺点和各算法的适用范围。

参考文献：

[1] 王崴，唐一平，任娟莉，等.一种改进的 Harris 角点提取算法[J].光学精密工程，2008，16（10）：1995-2001.

[2] 罗忠亮.基于改进 SUSAN 算子的图像边缘检测算法[J].重庆工学院学报：自然科学版，2009（8）.

[3] Trajkovi M，Hedley M.Fast corner detection[J].Image and vision computing，1998，16（2）：75-87.

[4] 龚平，刘相滨，周鹏.一种改进的Harris角点检测算法[J].计算机工程与应用，2010，46（011）：173-175.

[5] 赵洁.联合Harris特征点与Hu不变矩的图像区域复制篡改盲取证[J].微电子学与计算机，2013（11）：15-17.

[6] Desheng X，Guihua L. FPGA Realization of Multi-scale Harris Corner Detection[J].Communications Technology，2013，45 （11）：85-86.

[7] 刘博，仲思东.一种基于自适应阈值的 SUSAN 角点提取方法[J].红外技术，2006，28（6）：331-333.

[8] Zhang H， Xu D. A fast detection algorithm of Harris apparent corners based on the local features[C]//Intelligent Control and Automation （WCICA），2011 9th World Congress on.IEEE，2011：965-969.

[9] 赵开春，褚金奎.一种新的快速鲁棒性角点检测算法[J].计算机工程，2006，31（23）：159-161.

[10] 夏桂华，李志纲.基于MIC角点检测的改进算法[J].应用科技，2011（9）：41-46.endprint

摘要：安全监控是防护工程中重要的组成部分，在安全监控中，角点检测具有重要意义， 它决定了监控图像中目标的形状和特征。该文详细阐述了几种经典的角点检测方法，对不同方法逐一进行归纳分析， 并基于仿真结果对各种检测算法在防护工程中的应用效果给出了评价。并进一步探讨了未来的研究方向。

关键词：安全监控；防护工程；灰度值；角点检测

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）34-8275-02

在防护工程视频监控中，图像处理是一个非常重要的步骤。角点是图像重要的局部特征，它体现了图像中大量的特征信息。它不仅可以减少处理过程中的计算量，而且可以削弱外界因素的影响，对噪声干扰、灰度变换、图像形变等都有较好的适应能力[1-4]。

目前，角点检测的算法主要有基于图像边缘轮廓特征和基于图像灰度变化两种，其中第一种方法计算量较大且易受外界环境的干扰，故其使用范围有限。该文主要对实际应用中比较广泛的几种基于灰度的角点检测算法进行归纳分析， 并对各算法在防护工程中的应用效果给出了评价。

1 角点检测算法简介

1.1 Harris角点检测算法

Harris算法是机器视觉领域的一种经典算法。它简单稳定，并能得到比较理想的结果，从而得到了广泛应用。Harris角点检测算法主要计算模板窗口沿各个方向进行移动后的灰度变化[5-6]。设以像素点（x y）为中心的模板在X方向上移动u，Y方向上移动v，则可以得出灰度变化的表达式为：

1.2 SUSAN角点检测算法

SUSAN算法是在1997年提出了一种新的检测算法，又称最小核值相似区算法。算法将离散的圆形窗口中心点所对应的待检测的像素点称之为核，以其他像素点和核像素灰度值之差将邻域划分为两部分，一部分是邻域像素点灰度值相似于核像素点的区域，即核相似区（USAN），另一部分即为核不相似区[7-8]。一般认为当USAN区域为最大值的四分之一时，即可认为该点为角点。

为了进行角点检测，需要将模板内各个像素点灰度值与核像素点的灰度值进行比较，公式（5）为应用中常用的灰度比较函数：

1.3 MIC角点检测算法

MIC 角点检测算法是一种基于最小亮度变化的快速角点检测算法，它由Miroslav Trajkovic和Mark Hedley在1998年提出，它通过比较模板内的亮度值变化，从而能够快速检测出角点[9-10]。

假设任意一条穿过模板中心的直线与圆模板的交点为p1和p2，则算法初始角点响应函数定义如下：

2 算法比较与仿真

2.1 算法比较

Harris算法是角点检测中最常使用的算法，它有多项优点：1） 计算方便，Harris算子中只用到灰度的一阶差分。2） 提取的点特征均匀且合理，且数量比较多。3） 可以定量的提取特征点，Harris算子最后一步是对所有点的响应值进行排序，因此可以根据需要定量的提取最优点。4） 稳定，Harris算子的计算公式只涉及一阶导数，因此对外部环境变换并不敏感。

但是，它也有一些缺点。首先，Harris的定位精度相对较差，很容易产生一定的角点偏移。其次，阈值只能根据图像特征使用一个经验值，很难适用于整个图像。最后，Harris角点检测算子没有尺度不变性。

SUSAN算法避免了梯度计算， 且不依赖于前期图像处理，直接对像素的邻域灰度值比较即可检测出角点，计算相对简单。此外，算法检测精度高，一般不会出现角点偏移现象。但它漏检度比较高，在低对比度区域效果并不理想。

MIC算法具有精度高，运算速度快，稳定性好，对噪声具有鲁棒性的优点，但在图像的量化处理上，插值法不能达到很好的效果，致使有些边缘点和角点区分不出来，使用大的模板进行CRF运算，会遗漏很多角点，并会造成角点定位不够准确。同时，在多格法中，当图像分辨率变化时，必将丢失一部分角点。

为了对本文所阐述的几种经典进行进一步归纳分析，并检验各种检测算法在防护工程中的应用效果。该文使用了一张防护工程视频监控图像，并使用三种算法进行处理。得到的结果如图1所示。

由图1（b）可以看出，使用Harris角点对图像进行检测，所得的角点多，分布均匀，并且对对灰度变化、噪声影响和视点变换并不敏感。但是它定位精度比较差，有一定的偏移。因此Harris角点检测算法适用于图像比较大，要求检测点数目较多，对图像精度要求并不太高的情况。

由图1（c）可以看出SUSAN算子检测精度高，计算复杂度低。但它漏检度比较高，在低对比度区域效果并不理想。其适用于精度要求比较高，计算要求比较高的高对比度图像。

由图1（d）可以看出，MIC算子计算速度快，稳定性好，对噪声具有鲁棒性。但在部分角点处出现了角点聚集现象。因此适用于噪声环境，要求速度比较快的情况。

3 结论

本文对现有的几种基于灰度的角点检测方法进行了分类概述，并且基于实际需求，使用了一张防护工程监控图像进行仿真，从角点检测的快速性、准确性、鲁棒性等方面出发，进行检测效果对比。分析并得出了各种角点检测算法在防护工程应用中的优缺点和各算法的适用范围。

参考文献：

[1] 王崴，唐一平，任娟莉，等.一种改进的 Harris 角点提取算法[J].光学精密工程，2008，16（10）：1995-2001.

[2] 罗忠亮.基于改进 SUSAN 算子的图像边缘检测算法[J].重庆工学院学报：自然科学版，2009（8）.

[3] Trajkovi M，Hedley M.Fast corner detection[J].Image and vision computing，1998，16（2）：75-87.

[4] 龚平，刘相滨，周鹏.一种改进的Harris角点检测算法[J].计算机工程与应用，2010，46（011）：173-175.

[5] 赵洁.联合Harris特征点与Hu不变矩的图像区域复制篡改盲取证[J].微电子学与计算机，2013（11）：15-17.

[6] Desheng X，Guihua L. FPGA Realization of Multi-scale Harris Corner Detection[J].Communications Technology，2013，45 （11）：85-86.

[7] 刘博，仲思东.一种基于自适应阈值的 SUSAN 角点提取方法[J].红外技术，2006，28（6）：331-333.

[8] Zhang H， Xu D. A fast detection algorithm of Harris apparent corners based on the local features[C]//Intelligent Control and Automation （WCICA），2011 9th World Congress on.IEEE，2011：965-969.

[9] 赵开春，褚金奎.一种新的快速鲁棒性角点检测算法[J].计算机工程，2006，31（23）：159-161.

[10] 夏桂华，李志纲.基于MIC角点检测的改进算法[J].应用科技，2011（9）：41-46.endprint

摘要：安全监控是防护工程中重要的组成部分，在安全监控中，角点检测具有重要意义， 它决定了监控图像中目标的形状和特征。该文详细阐述了几种经典的角点检测方法，对不同方法逐一进行归纳分析， 并基于仿真结果对各种检测算法在防护工程中的应用效果给出了评价。并进一步探讨了未来的研究方向。

关键词：安全监控；防护工程；灰度值；角点检测

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）34-8275-02

在防护工程视频监控中，图像处理是一个非常重要的步骤。角点是图像重要的局部特征，它体现了图像中大量的特征信息。它不仅可以减少处理过程中的计算量，而且可以削弱外界因素的影响，对噪声干扰、灰度变换、图像形变等都有较好的适应能力[1-4]。

目前，角点检测的算法主要有基于图像边缘轮廓特征和基于图像灰度变化两种，其中第一种方法计算量较大且易受外界环境的干扰，故其使用范围有限。该文主要对实际应用中比较广泛的几种基于灰度的角点检测算法进行归纳分析， 并对各算法在防护工程中的应用效果给出了评价。

1 角点检测算法简介

1.1 Harris角点检测算法

Harris算法是机器视觉领域的一种经典算法。它简单稳定，并能得到比较理想的结果，从而得到了广泛应用。Harris角点检测算法主要计算模板窗口沿各个方向进行移动后的灰度变化[5-6]。设以像素点（x y）为中心的模板在X方向上移动u，Y方向上移动v，则可以得出灰度变化的表达式为：

1.2 SUSAN角点检测算法

SUSAN算法是在1997年提出了一种新的检测算法，又称最小核值相似区算法。算法将离散的圆形窗口中心点所对应的待检测的像素点称之为核，以其他像素点和核像素灰度值之差将邻域划分为两部分，一部分是邻域像素点灰度值相似于核像素点的区域，即核相似区（USAN），另一部分即为核不相似区[7-8]。一般认为当USAN区域为最大值的四分之一时，即可认为该点为角点。

为了进行角点检测，需要将模板内各个像素点灰度值与核像素点的灰度值进行比较，公式（5）为应用中常用的灰度比较函数：

1.3 MIC角点检测算法

MIC 角点检测算法是一种基于最小亮度变化的快速角点检测算法，它由Miroslav Trajkovic和Mark Hedley在1998年提出，它通过比较模板内的亮度值变化，从而能够快速检测出角点[9-10]。

假设任意一条穿过模板中心的直线与圆模板的交点为p1和p2，则算法初始角点响应函数定义如下：

2 算法比较与仿真

2.1 算法比较

Harris算法是角点检测中最常使用的算法，它有多项优点：1） 计算方便，Harris算子中只用到灰度的一阶差分。2） 提取的点特征均匀且合理，且数量比较多。3） 可以定量的提取特征点，Harris算子最后一步是对所有点的响应值进行排序，因此可以根据需要定量的提取最优点。4） 稳定，Harris算子的计算公式只涉及一阶导数，因此对外部环境变换并不敏感。

但是，它也有一些缺点。首先，Harris的定位精度相对较差，很容易产生一定的角点偏移。其次，阈值只能根据图像特征使用一个经验值，很难适用于整个图像。最后，Harris角点检测算子没有尺度不变性。

SUSAN算法避免了梯度计算， 且不依赖于前期图像处理，直接对像素的邻域灰度值比较即可检测出角点，计算相对简单。此外，算法检测精度高，一般不会出现角点偏移现象。但它漏检度比较高，在低对比度区域效果并不理想。

MIC算法具有精度高，运算速度快，稳定性好，对噪声具有鲁棒性的优点，但在图像的量化处理上，插值法不能达到很好的效果，致使有些边缘点和角点区分不出来，使用大的模板进行CRF运算，会遗漏很多角点，并会造成角点定位不够准确。同时，在多格法中，当图像分辨率变化时，必将丢失一部分角点。

为了对本文所阐述的几种经典进行进一步归纳分析，并检验各种检测算法在防护工程中的应用效果。该文使用了一张防护工程视频监控图像，并使用三种算法进行处理。得到的结果如图1所示。

由图1（b）可以看出，使用Harris角点对图像进行检测，所得的角点多，分布均匀，并且对对灰度变化、噪声影响和视点变换并不敏感。但是它定位精度比较差，有一定的偏移。因此Harris角点检测算法适用于图像比较大，要求检测点数目较多，对图像精度要求并不太高的情况。

由图1（c）可以看出SUSAN算子检测精度高，计算复杂度低。但它漏检度比较高，在低对比度区域效果并不理想。其适用于精度要求比较高，计算要求比较高的高对比度图像。

由图1（d）可以看出，MIC算子计算速度快，稳定性好，对噪声具有鲁棒性。但在部分角点处出现了角点聚集现象。因此适用于噪声环境，要求速度比较快的情况。

3 结论

本文对现有的几种基于灰度的角点检测方法进行了分类概述，并且基于实际需求，使用了一张防护工程监控图像进行仿真，从角点检测的快速性、准确性、鲁棒性等方面出发，进行检测效果对比。分析并得出了各种角点检测算法在防护工程应用中的优缺点和各算法的适用范围。

参考文献：

[1] 王崴，唐一平，任娟莉，等.一种改进的 Harris 角点提取算法[J].光学精密工程，2008，16（10）：1995-2001.

[2] 罗忠亮.基于改进 SUSAN 算子的图像边缘检测算法[J].重庆工学院学报：自然科学版，2009（8）.

[3] Trajkovi M，Hedley M.Fast corner detection[J].Image and vision computing，1998，16（2）：75-87.

[4] 龚平，刘相滨，周鹏.一种改进的Harris角点检测算法[J].计算机工程与应用，2010，46（011）：173-175.

[5] 赵洁.联合Harris特征点与Hu不变矩的图像区域复制篡改盲取证[J].微电子学与计算机，2013（11）：15-17.

[6] Desheng X，Guihua L. FPGA Realization of Multi-scale Harris Corner Detection[J].Communications Technology，2013，45 （11）：85-86.

[7] 刘博，仲思东.一种基于自适应阈值的 SUSAN 角点提取方法[J].红外技术，2006，28（6）：331-333.

[8] Zhang H， Xu D. A fast detection algorithm of Harris apparent corners based on the local features[C]//Intelligent Control and Automation （WCICA），2011 9th World Congress on.IEEE，2011：965-969.

[9] 赵开春，褚金奎.一种新的快速鲁棒性角点检测算法[J].计算机工程，2006，31（23）：159-161.

[10] 夏桂华，李志纲.基于MIC角点检测的改进算法[J].应用科技，2011（9）：41-46.endprint