[发明专利]一种基于Harris-CPDA的角点检测方法

说明书

本发明涉及一种基于Harris‑CPDA的角点检测方法，该算法通过结合角点灰度特征分析与类曲度检测特征点的优势，提高了相应特征点的检测定位精度与检测成功率，同时兼顾了检测时间效率。同时，与各自原算法相比，Harris‑CPDA算法在相同时间内，可提供更为精准的特征点，在实际应用场景中对特征点检测的精度提升具有较大的作用，并实现传统检测与深度学习的图像检测的新融合。

技术领域

本发明属于工业化自动检测领域，涉及特征角点检测计算方法，特别涉及一种基于Harris-CPDA的角点检测方法。

背景技术

在工业自动化检测中，特征点检测被广泛应用于目标检测、目标定位、图像配准、图像拼接中，该技术减少人为手动调整，同时能准确反应被检测物体图像的重要的特征信息。目前针对提取角点的方式不同可以分为两大类。

1、基于图像灰度变化检测角点。Harris算法是由Harris和Stephens提出，针对更早期的Moravec算法的优秀改进型，而针对Harris需人为多次调整阈值的弊端，又提出非极大抑制方式处理。针对Harris算法采用非极大抑制时采用双阈值的方式对不同阈值下的角点进行比对；周龙萍提出通过二次非极大值抑制，在第一次取极大值点之后，在其基础上再次选取，相当于选取第二大灰度变化值保留稍大局部里的相应度最大的点；而张见双提出将原图像分割成无重叠子区域，针对每个单独子区域设定单独阈值，根据子图对比度大小从而自适应阈值。

2、基于类曲率角点检测方式。最初由Ronsenfeld和Johnston提出支持域的余弦相似度估计曲率，并在之后提出RJ73算法，用平均K—consine代替原有算法，并且提出曲线上的某一点不能被赋予正确的支撑域大小；此时Mokhtarian和Suomela提出基于曲率尺度空间(Curvature Scale Space，简称CSS)的角点检测计算方法，该算法是在局部上进行检测角点，再从上至下的高尺度逐渐向低尺度追踪角点的位置，在不同尺度下进行搜索；为了弥补尺度因子与阈值选取问题，Awrangjeb和Lu提出点到弦距离累加和技术(Chord-to-PointDistanceAccumulation，简称CPDA)。

Zhang等人于2014年ECCV上提出在基于图像细粒度上的分类识别实验，将整体图像根据细粒度分类算法，在不同区域进行微小的特征分析。

基于这一思想，本专利申请提出结合改进的Harris-CPDA算法生成关键点区域，从而进行图像角点检测。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于Harris-CPDA的角点检测方法，该算法通过结合角点灰度特征分析与类曲度检测特征点的优势，提高了相应特征点的检测定位精度与检测成功率，同时兼顾了检测时间效率。同时，与各自原算法相比，Harris-CPDA算法在相同时间内，可提供更为精准的特征点，在实际应用场景中对特征点检测的精度提升具有较大的作用，并实现传统检测与深度学习的图像检测的新融合。

本发明解决其技术问题是通过以下技术方案实现的：

一种基于Harris-CPDA的角点检测方法，其特征在于：所述方法的步骤为：

S1、通过角点响应函数计算每个像素的响应值，获得初次筛选下的局部最大值点，记录相应坐标及编号；

S2、针对所有局部最大值点根据从大到小的顺序进行排序，相同的值依据初次筛选下记录的编号进行排序；

S3、根据最小抑制半径r逐渐缩小半径，对已有排序后的局部最大值点进行二次筛选，得到非最大抑制下的二次筛选候选角点；

S4、使用Canny边缘检测算子得到图像边缘，填充曲线边缘缝隙，检测出T型角点，加入第二次筛选的候选点中；