19、图像特征点检测方法详解

图像特征点检测方法详解

在计算机视觉领域，特征点检测是许多复杂算法的基础步骤。不同的特征点检测方法各有优劣，适用于不同的应用场景。本文将详细介绍几种常见的特征点检测方法，包括Harris角点改进算法、FAST特征点检测和SURF尺度不变特征检测。

1. Harris角点改进算法

原始的Harris角点算法可以通过一些改进来提高其性能。其中一个改进是基于显式计算的特征值来检测Harris角点，避免了使用任意的k参数。此外，为了解决特征点聚类的问题，可以引入一个最小距离条件，确保检测到的特征点在图像中分布更加均匀。

• 基于特征值的检测 ：随着浮点处理器的发展，避免特征值分解的数学简化变得不再重要，因此可以直接基于显式计算的特征值来检测Harris角点。OpenCV提供了两个函数 cv::cornerEigenValsAndVecs 和 cv::cornerMinEigenVal 来获取Harris协方差矩阵的特征值和特征向量。
• 最小距离条件 ：为了避免特征点在图像中过于集中，可以规定两个特征点之间的最小距离。OpenCV中的 good-features-to-track (GFTT) 算子实现了这一功能。以下是使用GFTT算子的示例代码：

// Compute good features to track
std::vector<cv::KeyPoint> keypoints;
//