角点检测和匹配之Harris与FAST角点检测

这一章主要内容：

       1. Harris角点检测

       2. FAST特征检测

      3. 尺度不变的SURF特征检测

      4.SURF检测描述

一、引言

        在计算机视觉中，特征点或称兴趣点，角点(即图像的极值点，线段的终点，曲线曲率最大的点或水平、竖直方向上属性最大的点等等)被广泛应用。这些特征点是图像很重要的特征,对图像图形的理解和分析有很重要的作用。特征点在保留图像图形重要特征的同时,可以代替整幅图像的处理，有效地减少信息的数据量,使其信息的含量很高,有效地提高了计算的速度,有利于图像的可靠匹配,使得实时处理成为可能。

       特征点检测就是是对有具体定义的、或者是能够具体检测出来的特征点的检测。目前检测方法很多，具体分有三大类基于灰度图像的角点检测、基于二值图像的角点检测、基于轮廓曲线的角点检测。基于灰度图像的角点检测又可分为基于梯度、基于模板和基于模板梯度组合3类方法，其中基于模板的方法主要考虑像素领域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。常见的基于模板的角点检测算法有Kitchen-Rosenfeld角点检测算法，Harris角点检测算法、KLT角点检测算法及SUSAN角点检测算法。和其他角点检测算法相比，SUSAN角点检测算法具有算法简单、位置准确、抗噪声能力强等特点。

        特征点的应用也很广泛，去解决一些重要的图像问题，如目标识别，图像匹配，视觉跟踪，3D重建等等。

二、Harris角点检测

       角点是图像局部特征，很方便的在图像中定位（甚至是半像素精确定位），而且经常出现在人造的物体(如墙，门，窗户，桌子等等)中，所以应用广泛。

       Harris角点检测是最经典的检测方法，基本原理就是，角点的水平和竖直方向梯度都比较大（经过数学推导，两个特征值即代表水平和垂直方向的强度），边缘点是水平或竖直梯度有一个比较大，平坦点是水平和竖直梯度都比较小。因此主要是计算方向梯度，然后根据特定门限判断是否是最大，确定角点。

       opencv中提供两个Harris角点检测的函数，

       2.1 cornerHarris

       第一个比较简单，直接调用即可

       函数头文件：       

#include <opencv2/imgproc/imgproc.hpp>

       函数定义:

//! computes Harris cornerness criteria at each image pixel
CV_EXPORTS_W void cornerHarris( InputArray src, OutputArray dst, int blockSize,
                                int ksize, double k,
                                int borderType=BORDER_DEFAULT );

     函数参数说明：

     blockSize：角点是两个边缘的连接点，因此在局部范围内，角点是所有方向上梯度最大的点，blockSize就是设置局部检测窗口大小

           计算个方向变化的公式：

     ksize：在计算个方向变化强度的时候使用了Sobel求其导数，该参数就是设置Sobel滤波器参数。

           R计算可以近似为：

     k： 两个特征值都不大于门限时，该点是普通点；当只有一个特征值大于门限时，是边缘点；当两个特征值都大于门限时，是角点。由于同时判