自动化论文范文自动检测网格点的新算法.PDFVIP

中国月期刊咨询网 自动化论文范文自动检测网格点的新算法 角点是图像的重要特征，通常定义为在图像边界上曲率足够高的点。由于角点对应于图像中信息含量高的位置，相对 于原图而言，使用角点进行摄像机标定、匹配和重建能够大大的提高精度。 摘要:针对Harris角点检测算法在精确定位时精度不高的缺点,提出了一种有效的改进算法。新算法采用亚象素定位方法 ，对Harris算法做出改进。此外，本论文为针对网格点图像提取了一种新的基于模板的角点提取算法，与传统方法相 比，该算法具有两个明显的优点:无须人工干预，能够自动确定角点位置;定位精度高，角点的平均位置偏差在1个像素 以内。 关键词:Harris算法,角点检测,亚像素,模板 1．引言 计算梯度来实现角点检测的。但是由于Harris算法在计算梯度的时候用到差分求导的方式，只能精确到角点的象素级 别。在计算机视觉研究中，经常需要获取更高精度的角点，Harris算法存在的问题，一般可以通过亚像素算法进行改 进。目前，应用亚像素算法来改进Harris角点检测的方法主要有以下两种：一种是利用二次曲面拟合特征点周围的灰 度分布，通过求解该二次曲面的极值可以将特征点的精度提高到子象素级[1]；另一种是从亚像素角点到周围像素点 的矢量应垂直于图像的灰度梯度这个观察事实得到的，通过最小化误差函数的迭代方法来获得亚像素级精度的坐标值 [3]。这两种方法的计算量都比较大，需要求极值和利用迭代的方法，编程实现也比较复杂，本文采用二次均匀B样条 对一次角点检测后的图像进行插值的方法，然后对插值后的图像进行二次角点检测，得到亚像素精度的角点坐标。 2．Harris算法的原理 Harris算子是一种经典的角点提取算法，具有计算简单，稳定性和鲁棒性[2]良好的优点。其算法如下： 首先计算2*2的矩阵M： 其中，Ix和Iy为图像沿和方向的灰度梯度，G(s)为高斯模板，主要作用是去除噪声的影响。 大，表明该点越是角点。当r大于零并且较大时，对应角点。如果r较小但是小于零，则对应与边缘区域。如果较小时 ，对应与图像的平坦区域。 由于Harris算子具有的上述优点，使其得到广泛的应用，但是该算法在计算矩阵M的时候，使用的是差分求导的方式 ，公式如下： 导致Harris算法在角点提取的时候只能够检测到角点的象素级坐标,在需要精确定位（摄像机标定和三维重建）的时候 不能满足精度的要求。 3．Harris算法的理论分析与改进 3.1Harris算法的理论分析 Harris角点检测原理是对于一副图像，角点与自相关函数的曲率特性有关[4]。自相关函数描述了局部图像灰度的变化 程度，可表示为： 其中， 在某一点的图像灰度自相关函数的极值曲率可以有矩阵M的特征值近似表示。如果矩阵M的特征值都比较大，说明在 该点的图像灰度系相关函数的两个正交方向上的极值曲率均较大，即可认为该点位角点[5]。 3.2算法改进 中国月期刊咨询网 本文通过二次均匀B样条插值对局部图像进行插值，然后进行角点检测，解决Harris算法精度不高的问题。由于二次均 匀B样条曲面片可以转化为两个不同方向的B样条曲线[6]，而B样条具有很好的连续性和局部性，对噪声有很好的抑制 作用，同时B样条插值计算稳定性和速度也都比较好[8]，并且易于编程实现。所以可以通过B样条曲线对局部图像的 横坐标和纵坐标进行插值，然后进行局部图像的角点提取，得到亚像素级的角点坐标。 算法的实现步骤如下： 根据下式计算每个点的M值; 式中，G(s)为高斯模板，Ix和Iy为图像沿和方向的灰度梯度； 根据下式计算每个点的角点相应函数值[7]； Φ= 式中，Det(M)表示M的行列式，Trace（M）为M的积； ③如果点处的角点响应函数大于某一阈值，则点即为一次角点； ④以一次角点为中心取一个邻域，根据下式对邻域进行插值； 式中，j表示在不同的方向的插值;表示i点的灰度值; ⑤根据公式（1）和（2）计算插值各点的响应函数值，如果点处的角点响应函数值大于某一阈值，则点即为所求的二 次角点。 因为局部图像是原始图像插值后的图像，所以二次检测到的角点是亚像素精度的。 3.3算法改进后出现的问题及解决方法 3.3.1插值之后提取的角点出现两个或者多个情况 若插值后出现两个或者多个情况，可以对多个角点取平均值即为最终的角点坐标。 3.3.2插值窗口的形成 插值窗口是以一次角点为中心取邻域，一般情况下，邻域的大小选取为15*