关于棋盘格角点检测 Corner detection

       图像角点检测是图像视觉领域中的经典研究方向。鉴于不同类型的角点有着不同的特点，棋盘格角点作为一种特殊的角点广泛应用于摄像机标定中，角点检测在整个摄像机标定过程中也扮演着相当重要的角色。

      目前来说，主要有基于图像灰度的角点检测和图像边缘提取的角点检测，其中后一种依赖于图像边缘提取的好坏，实用性不是很强。所以当下应用最广泛的是基于图像灰度曲率变化的检测方法，常用到的算子有Moravec 、Harris，Forstner和Susan等，其中Harris的定位性能和鲁棒性较好，加之Harris算法原理简单，不受摄像机姿态和光照的影响，现已成为了使用最为广泛的角点提取算法之一。因此，针对Harris算法现在也已提出了许多改进算法：亚像素级的角点检测算法与尺度空间相结合的算法，自适应角点提取算法根据棋盘格的几何特性提出的检测算法等，但大部分都是以增加计算量或者低效率为代价，同时，用 Harris 算法进行检测，有三点不足：（1 ）该算法不具有尺度不变性；（2 ）该算法提取的角点是像素级的；（3 ）该算法检测时间不是很令人满意。以下就介绍一种基于Harris算子的改进算法，且该算法已用到本人的论文中，效果很好。

     首先Harris 角点检测是基于图像像素灰度值变化梯度的，灰度值图像的角点附近，是其像素灰度值变化非常大的区域，其梯度也非常大。换句话说，在非角点位置邻域里，各点的像素值变化不大，甚至几乎相等，其梯度相对也比较小。如果邻域内点的灰度值与中心点Image (i,j) 的灰度值之差 的绝对值 在一个阈值t 范围 内，那就认为这个点与中心点是相似的。与此同时，属于该 Image(i,j) 点的相似点计数器nlike(i,j) 也随之加1。在 Image (i,j) 点的n 邻域 全部被遍历一边之后，就能得到在这个邻域范围内 与中心点相似的 点个数的统计值nlike(i,j) 。根据nlike(i,j) 的大小，就可以判断这个中心点是否可能为角点。由于选择3*3的检测窗口，所以，对于中心像素点 , 在下面的讨论中只考虑其8 邻域内像素点的相似度。算该范围的像素点与中心像素点的灰度值之差的绝对值 (记为 Δ )  , 如果该值小于等于设定的阈值 ( 记为 t)  , 则认为该像素点与目标像素点相似。

             nlike(i,j)=sum(R(i+x,j+y))    ( -  1≤ x≤ 1 , -  1 ≤ y ≤ 1 , 且 x ≠ 0 , y ≠ 0)   ,

       其中 :  R(i+x, j+y)=1 , 当