图像角点特征检测算法的仿真实现文献综述

文 献 综 述

一．研究背景

上世纪60年代，美国科学家Ivan Sutherland发表《画板》论文标志着计算机图形学的诞生。随着计算图形学的发展，推动着人类科技的前沿，也实实在在地影响着人们的生活。近到我们使用的苹果系统，手机，电影院看的3D电影，远到卫星遥感，三维立体成像，虚拟现实，计算机图形学改变了并还在改变人们的生活^[1]。

计算机图像学的发展还促进了一门新的学科的出现—计算机视觉^[2]。计算机视觉的研究目的是利用计算机代替人眼及大脑对景物环境进行感知、解释和理解。计算机视觉是一门交叉性很强的学科，涉及计算机、心理学、物理学、信号处理和应用数学等。近二十年随着各学科和计算机技术的迅猛发展，计算机视觉得到了蓬勃发展，在各领域得到了广泛应用。近二十年随着各学科和计算机技术的迅猛发展，计算机视觉得到了蓬勃发展，在各领域得到了广泛应用。但无论是图像理解还是模式识别，简单到指纹匹配，复杂到机器人，所有对图像视频的处理操作都与图像的基本特征断不开联系。在图像的基本特征中，有一种特征对图像最为重要，那就是图像的“角点”^[3]。

角点是图像的特征点，一般认为是曲率极大值点或灰度剧烈变化点，可直观理解为图像中物体的突出点或两条线的交叉点。例如图像中的三角形的三个顶点，矩形的四个角都属于图像的角点。角点对于图形图像的分析十分重要，它可以帮助我们在保留其重要特征的同时，有效地减少图像处理过程中的数据量，提高后期计算的速度，使更复杂视觉算法的实时处理成为可能。

由于角点检测等人工智能视觉算法复杂，同时随着科技的发展，人们对图像的采集分辨率越来越高，处理时间越来越苛刻，正在逐步增加图像处理的难度。人们发现在处理更高的分辨率，完成更复杂的算法，时间上要求更高的实时过程中，纯粹的软件处理越来越难以满足人们的要求，同时硬件处理的高速性、并行性这些优势极大吸引了人们的眼球，因此使用硬件来做计算机视觉分析也逐渐成为图像处理的趋势^[4]。

二．研究的现实意义

单纯的角点提取对于实际的应用而言并没有太多的意义，但图像的角点作为图像中局部曲率极大值点，因其具有平移不变、旋转不变、缩放不变、光照不变等特殊性质，既能够体现目标的轮廓特征，承担大部分的图像信息，又能够大大地减少图像处理的数据量，实现视频图像的实时处理，常常是后续视觉研究的前提和基础。在图像配准中，需要对不同环境获取的多幅图像做匹配、叠加，配准过程需要依赖图像的特征点做相似度匹配，空间变换等操作。而特征点提取是配准技术的关键的一环，高准确性、良好不变性的特征点提取方法，对特征匹配的成功与否起着至关重要的作用。在三维场景重建中，需要基于特征点匹配从若干张图像中恢复空间三维坐标，广泛应用于虚拟现实、航空遥感、3D打印、医学图像等实用性领域。还有在运动估计中，同样需要通过特征点求解运动物体的运动矢量，分析其平移与旋转性质。目标跟踪同属于视觉的一个重要分支，在导航、交通、军事相关领域有极高的价值。其中基于特征点的跟踪算法需要对运动目标做光流计算，相对于原图像而言，稳定、精确的特征点对于减少光流的计算量继而影响跟踪效果有着决定性意义^[5]。

三．研究现状和所存在的问题

从算法角度上而言，角点检测理论自计算机视觉学科成立以来，经过几十年的发展与众多学者的研究，因对角点有不同的定义，导致从不同的研究方向，涌现了不同种类的角点检测算法。根据角点检测的实现方法的不同，大概可以把角点检测算法分为三类:(1)基于轮廓曲线的角点检测方法;(2)基于模板的角点检测方法;(3)基于图像灰度变化的角点检测方法^[6]。

基于轮廓曲线的角点检测算法认为角点是两条或多条图像中曲线的交叉点，其算法的实现需要基于图像的边缘检测结果，在检测出的边缘上寻找曲率极大值点或交叉点。比较有代表性的算法是Farzin Mokhtarian和Riku Suomela^[7]基于尺度空间(Curvature Scale Space)的角点检测算法，即CSS算法。算法首先使用Canny算子检测图像的边缘，然后对小幅度的间断进行连接，并标记出T型角点。接着在大尺度下计算尺度空间中边缘的曲率，寻找在规定的阈值以上的曲率极值点标记为角点。再然后在低尺度下寻找角点做局部性修正。最后把找到的点与T型角点相比去除过于相近的点完成角点的检测过程。CSS算法特点是引入多尺度空间可以应对不同的应用场景对尺度进行调节。缺点是过于依赖边缘检测的结果，既受边缘检测算法影响又要消耗大量的计算时间做边缘曲线处理，并且在低尺度下易受噪声干扰。

基于模板的角点检测算法使用角点模板，依据不同的模板比较标准模板与图像窗口内灰度区域的相似程度，来检测图像的角点^[8]。由于角点的方向、张角的多变性导致数学模板无法完全覆盖所有情况下的角点，并且该算法计算量大且过程复杂，对噪声敏感，在实际应用中效果有限。其中较有代表性的算法有Kitchen和Rosenfeld提出的基于像素梯度大小及方向的角点检测算法^[9]。

基于图像灰度变化的角点检测方法考察像素点及其邻域的灰度变化信息，利用其灰度变化的特征做角点检测判断。该方法避免了对图像边缘及数学模型的依赖，但对于定位精度抗噪声方面并不理想。较为典型的是Moravec角点检测算法，其采用矩阵窗口，对窗口内像素灰度和不同方向的相邻窗口做比较考察。因其采用矩形窗口，考察方向仅局限于45度间隔的八个方向，判定时仅考虑最小值这些原因，实际计算中有较大的误差。后来Chris Harris和Mike Stephens针对 Moravec算法的若干问题，提出了Harris角点检测算法。该算法使用平滑的高斯窗口替代Moravec算法的矩形二元窗口，考察方向上也不再局限于八个方向，而是把灰度变化函数转化为协方差矩阵M的形式，使用矩阵的特征值lambda;1和lambda;2组成响应函数R，最后求解R在阈值以上的极大值获得所求的角点。这种算法计算量稍大，并对噪声较为敏感^[10]。

角点检测中所面临的一些问题:

1. 角点特征的视频分析系统前期特征提取速度较慢；
2. 算法计算量非常大的缺点势必会占用较多的硬件资源；
3. 定位效率低，准确度不高。

２．本课题要研究或解决的问题和拟采用的研究手段（途径）：

本课题目的在于利用FPGA实现图像的输入、预处理、角点检测和角点图像输出，从而实现一套完整的视频图像角点检测系统。

通过查阅资料，对视觉图像处理及算法优进行理论研究，分析优缺点，确定算法，利用Matlab验证计算。再利用Verilog硬件描述语言实现角点检测的可行性，并对计算过程优化，最终使用FPGA硬件完成对视频图像角点检测实现。

参考文献:

1. 段瑞玲, 李庆祥, 李玉和. 图像边缘检测方法研究综述[J]. 光学技术, 2005, 31(3):415-419.
2. 陈乐, 吕文阁, 丁少华. 角点检测技术研究进展[J]. 自动化技术与应用, 2005, 24(5):1-4.
3. 毛雁明, 兰美辉, 王运琼,等. 一种改进的基于Harris的角点检测方法[J]. 计算机技术与发展, 2009, 19(5):130-133.
4. 王红梅, 张科, 李言俊. 图像匹配研究进展[J]. 计算机工程与应用, 2004, 40(19):42-44.
5. 杨莉. 图像特征检测与运动目标分割算法的研究和实现[D]. 西安电子科技大学, 2004.
6. 梁艳. 角点检测理论及算法研究[D]. 华中科技大学, 2010.
7. 王玉珠. 图像角点检测算法研究[D]. 重庆大学, 2007.
8. 贾莹. 基于Harris角点检测算法的图像拼接技术研究[D]. 吉林大学, 2010.
9. 李刚, 付宇卓, 王世明. 一种基于FPGA和DSP的视频处理系统[J]. 计算机仿真, 2005, 22(10):254-256.
10. 赵文彬, 张艳宁. 角点检测技术综述[J]. 计算机应用研究, 2006, 23(10):17-19.