使用多弦长曲率多项式的角点检测算法.docVIP

使用多弦长曲率多项式的角点检测算法 摘 要：在弦到点的距离累加（CPDA）技术和曲率积的基础上，提出了多弦长曲率多项式的角点检测算法。首先利用Canny边缘检测器抽取边缘，然后对于不同弦长下边缘轮廓曲率局部极大值点，计算曲率的和；对于非极值点，计算曲率的积。该方法不仅可以显著增强曲率极值点的峰值，而且避免了曲率积对一些角点平滑。最后，为了降低人为设定门限带来的错检或漏检，利用局部自适应阈值去判别角点。实验结果表明，与其他的角点检测算法相比，该方法具有很强的鲁棒性，它的平均检测准确率提高了14.5%，而且在角点数重复率准则上平均性能提高了12.6%。 关键词：弦到点距离累加；角点检测；边缘检测；自适应阈值；鲁棒性 中图分类号： TP391.41 文献标志码：A 0 引言 图像特征检测是计算机视觉和图像处理的基本问题之一。角点作为图像上的特征点，在运动物体跟踪、图像配准和三维重建[1]等领域有重要的应用价值。 基于尺度空间的图像分析理论[2]，Mokhtarian等[3]提出了基于曲率尺度空间（Curvature Scale Space，CSS）的角点检测算法，采用从高尺度到低尺度对候选角点进行跟踪并且定位角点。该算法具有较好的检测性能，但存在三个问题：一是应用二阶导数计算曲率对曲线的局部变化或曲线上的噪声敏感；二是需选择合适的高斯尺度来平滑边缘曲线；三是要选择合适的全局阈值。 众学者为了解决上述问题，提出了许多角点检测算法[4-12]。He等[4]提出了自适应曲率门限算法，该算法克服了CSS算法的第三个缺陷；但由于He算法是在CSS框架下求曲率，它没法解决CSS存在的第一、二个问题。文献[5]已证明弦到点累加技术不需要刻意挑选一个高斯尺度对边缘曲线进行平滑再检测角点。Mohammad等[6]利用弦到点距离累加理论提出了 弦到点距离累加 （ChordtoPoint Distance Accumulation，CPDA） 检测算法，该算法利用曲率积能够增强一些角点的检测准确率，但是会把另外一些角点平滑去除；而且阈值是根据经验来选择，但在检测前并不知道输入图像的性质，以致影响了角点检测结果的准确率。 基于此，本文提出了多弦长曲率多项式的自适应阈值角点检测算法，在利用多弦长曲率多项式增强局部角点极大值的同时，可以根据不同的图像自适应地获取阈值。 1 多弦长角点检测算法 为了便于理解，首先分析弦到点的距离累加技术[5]及Mohammad的CPDA[6]角点检测算法的基本原理及存在的缺点；然后针对缺点，提出本文的解决算法。 1.2 新的角点测度 与CSS检测算法相比，CPDA角点检测算法不需要选择合适的高斯尺度对边缘曲线进行平滑，避免了由此造成的定位精度影响；并且多弦长曲率积可以更好地抑制噪声对检测的影响。但是，曲率值归一化后再相乘得到曲率积带来的弊端是：如果角点所对应的归一化后的三个曲率值中两个值大一个值小或者一个值大两个值小时，它所对应的曲率积很有可能会很小，CPDA检测器将把该角点判定为伪角点而去除，这种现象在角度较大或较小的角点处表现得尤其明显。最后CPDA算法利用经验阈值对候选角点进行判别，而在检测前输入图像的性质是未知的，阈值选取过大，检测到的真实角点越少，则提取的信息也越少；反之，检测到伪角点越多，得到的冗余或错误信息也越多。 基于上述问题，为了更好地获取角点和边缘的曲率特性，并且能够自适应获取阈值，以便从边缘曲线上更有效地提取角点，本文基于弦到点的距离累加技术提出了一个新的角点测度。首先根据式（1）和式（2）计算不同弦长下边缘点的曲率值及归一化后的曲率值。对于不同弦长下得到的曲率局部极大值点（通过实验设定该局部窗的大小9×9），计算该点的曲率加权和，在曲率非极大值点处，计算该点的曲率积。曲率响应表达式如下式所示： 通过以上调整，可以得到一个更加稳健的角点检测器，它不仅继承了CPDA算法具有的优点，而且能够检测到更多的真实角点。下面对积木图像用Canny边缘检测器[13]抽取边缘（注：对于边缘检测器的选择并无特殊要求，如利用文献[14]的方法来提取边缘也可以），分别用CPDA角点测度和本文提出的角点测度去检测边缘轮廓中一条曲线的角点。 需要检测的轮廓线和它所对应的13个参考角点如图2（b）所示；CPDA和本文角点测度的检测结果如图2（c）和（d）所示。从图2（c）得知，CPDA可以很好地抑制噪声，除了在角点附近有曲率值外，边缘处的曲率积几乎为零；但是当角点所处的角度较大时，CPDA的曲率积可能会变得很小，如图2（c）中的第2、9和12个角点，因而在CPDA角点测度下，它们被当作伪角点而去除。本文的角点测度继承了CPDA的优点，对曲线的局部变化和噪声不敏感，不需要去刻意选择一个高斯尺度对边缘轮廓线进行平滑。从图2（d）得知，新的