朱思聰,周德龍

(浙江工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,杭州 310023)

角點(diǎn)檢測是機(jī)器視覺和計(jì)算機(jī)視覺領(lǐng)域的基本課題.關(guān)于角點(diǎn)目前還沒有精準(zhǔn)的數(shù)學(xué)定義,通常將以下幾種點(diǎn)稱為角點(diǎn):一是兩條邊緣以上的交點(diǎn),二是圖像上各個(gè)方向亮度變化足夠大的點(diǎn),三是邊緣曲線上的曲率極大值點(diǎn).角點(diǎn)有時(shí)也稱為興趣點(diǎn)和特征點(diǎn),在簡化圖像信息數(shù)據(jù)的同時(shí),還在一定程度上保留了圖像較為重要的特征信息,從而方便了圖像數(shù)據(jù)的處理.因此,角點(diǎn)檢測在三維場景重建、運(yùn)動(dòng)估計(jì)、視覺跟蹤[1]以及圖像配準(zhǔn)與圖像匹配[2]等計(jì)算機(jī)視覺領(lǐng)域有著廣泛的應(yīng)用.

本文對(duì)現(xiàn)有的角點(diǎn)檢測方法進(jìn)行了分類及闡述,主要分為基于灰度強(qiáng)度的方法、基于邊緣輪廓[3]的方法,并將其余類別的角點(diǎn)檢測方法也進(jìn)行了匯總.本文第3部分對(duì)現(xiàn)有的角點(diǎn)檢測算法的測評(píng)技術(shù)也進(jìn)行了匯總.除此之外,本文還搜集了一些最新的角點(diǎn)檢測算法在工程中的實(shí)際應(yīng)用案例以供參考.

1 角點(diǎn)檢測算法現(xiàn)狀分析

根據(jù)實(shí)現(xiàn)原理不同,現(xiàn)有的角點(diǎn)檢測算法大致可以分為3類:基于灰度強(qiáng)度的方法,基于邊緣輪廓的方法和基于二值圖像的角點(diǎn)檢測.其中針對(duì)二值圖像的角點(diǎn)檢測方法并不流行.因此,本節(jié)主要針對(duì)前兩類方法詳細(xì)闡述大部分典型角點(diǎn)檢測算法的核心思想及部分關(guān)鍵的特征提取步驟.

1.1 基于灰度圖像的角點(diǎn)檢測

基于灰度圖像強(qiáng)度的角點(diǎn)檢測技術(shù)又可大致分為3類,分別是基于梯度、基于模板和基于模板梯度組合.其中基于梯度的方法是通過邊緣曲率的計(jì)算數(shù)值大小來判斷角點(diǎn)是否存在但是該方法對(duì)噪聲十分敏感.另一種基于模板的角點(diǎn)檢測方法考慮了像素鄰域點(diǎn)的灰度值變化,將與鄰近點(diǎn)灰度值差異明顯的點(diǎn)定義為角點(diǎn).相比于直接對(duì)灰度圖像的像素進(jìn)行處理,還有一類方法綜合了灰度曲率以及模板策略進(jìn)行角點(diǎn)檢測.

1.1.1 Moravec角點(diǎn)檢測技術(shù)

1977年,Moravec[4]提出了Moravec角點(diǎn)檢測算子,其基本思想是通過在圖像上移動(dòng)一個(gè)二值矩形窗口來查找最小灰度值變化的最大值.這種方法的缺點(diǎn)是響應(yīng)值非各向同性,對(duì)噪聲和邊緣敏感,對(duì)旋轉(zhuǎn)不具備不變形.Moravec算子作為第一個(gè)被廣泛使用的角點(diǎn)檢測算法,開創(chuàng)了角點(diǎn)檢測的新時(shí)代.

1.1.2 Harris角點(diǎn)檢測技術(shù)及相關(guān)改進(jìn)方法

受Moravec角點(diǎn)檢測算法啟發(fā),Harris和Stephens[5]在1988年提出了著名的Harris角點(diǎn)檢測算子,該方法首先計(jì)算Harris矩陣M(二階矩矩陣或自相關(guān)矩陣),然后計(jì)算該矩陣的特征值 λ1,λ2,這兩個(gè)特征值表征了Harris矩陣主曲率,再通過構(gòu)建如下的Harris角點(diǎn)量測函數(shù)R來確定角點(diǎn):

最后對(duì)R進(jìn)行非極大值抑制,所得角點(diǎn)位置在局部梯度最大值處.Harris角點(diǎn)檢測方法不僅對(duì)噪聲不敏感、具有平移和旋轉(zhuǎn)不變性、具有高重復(fù)性和高信息量,而且在不同光照條件下具有良好的穩(wěn)定性,但是該方法不適用于對(duì)尺度變化要求高的場合.2014年,Qiao等人[6]提出了一種改進(jìn)的 Harris亞像素角點(diǎn)檢測算法,提高了控制點(diǎn)圖像的定位精度針對(duì)Harris角點(diǎn)檢測算法存在對(duì)含有噪聲的圖像角點(diǎn)檢測不準(zhǔn)確的問題,盧偉家[7]提出在Harris算法設(shè)置的局部移動(dòng)窗口中加入一種加權(quán)系數(shù)自適應(yīng)的加權(quán)均值濾波,該方法可有效減少偽角點(diǎn)的形成,同時(shí)具有良好精確度和檢測速度.2017年,Wang等人[8]針對(duì)角點(diǎn)檢測算法在提取角點(diǎn)時(shí)必須給出合適的閾值問題,提出了一種基于迭代閾值的自適應(yīng)Harris角點(diǎn)檢測算法.

1.1.3 基于SUSAN的角點(diǎn)檢測技術(shù)

另外一種有名的角點(diǎn)檢測算法是1997年Smith和Brady[9]提出的同值分割吸收核(SUSAN,Smallest Univalue Segment Assimilating Nucleus),該算法利用像素鄰域的一個(gè)圓形模板,判斷該點(diǎn)是否屬于USAN區(qū)域,判別函數(shù)如下:

使用如下角點(diǎn)響應(yīng)函數(shù)計(jì)算函數(shù)值:

如果該函數(shù)值大于某個(gè)閾值且為局部極大值,則認(rèn)為該點(diǎn)是角點(diǎn),其中統(tǒng)計(jì)圓形模板中和核心點(diǎn)有相似亮度值的像素個(gè)數(shù)n公式如下:

該算法具有速度快、定位精度高、高重復(fù)性、平移和旋轉(zhuǎn)不變性.但許多特征位于邊緣結(jié)構(gòu)而不是真正的角點(diǎn)處,另外對(duì)噪聲敏感和缺少信息量,且在處理模糊圖像時(shí)性能較差.在經(jīng)典SUSAN算法的基礎(chǔ)上,He等人[10]采用角點(diǎn)預(yù)檢測來消除偽角,減少計(jì)算量,從而提高算法速度.針對(duì)傳統(tǒng)SUSAN算子只能在單一尺度下檢測圖像中角點(diǎn)的不足,王冠群等人[11]提出一種基于高斯變換的多尺度SUSAN角點(diǎn)檢測方法.該方法利用高斯變換獲得待檢測圖像的多尺度分層圖像,以構(gòu)建高斯金字塔,結(jié)合自適應(yīng)閾值的SUSAN算子檢測出不同尺度下的角點(diǎn)作為候選角點(diǎn),將其還原到原始圖像中的相應(yīng)位置構(gòu)成候選角點(diǎn)集,在候選角點(diǎn)集中經(jīng)小鄰域信息篩選獲得最終角點(diǎn),實(shí)驗(yàn)結(jié)果表明,該方法不僅能夠在不同尺度下有效獲取有用的角點(diǎn)信息,而且提高SUSAN算子正確率的同時(shí),降低了角點(diǎn)的偽檢率.

1.1.4 FAST角點(diǎn)檢測技術(shù)

1998年Trajkovic和Hedley[12]提出了一種快速角點(diǎn)檢測算子,其基本思想是研究在某點(diǎn)鄰域內(nèi)通過該點(diǎn)的任意一條直線上的灰度變化情況.首先計(jì)算出水平和垂直方向灰度變化值,然后構(gòu)建一個(gè)角點(diǎn)度量函數(shù)來判斷角點(diǎn).2006年Rosten和Drummond[13]提出了高速角點(diǎn)檢測算子,其基本思想是利用機(jī)器學(xué)習(xí)來加速角點(diǎn)檢測過程.上述兩種算法也都對(duì)圖像尺度變化敏感.近年來,針對(duì)當(dāng)前FAST角點(diǎn)檢測算法只能檢測單一類型的角點(diǎn),并且單一閾值作用于整幅圖像很難取得理想的效果等問題,Park等人[14]為了解決可穿戴設(shè)備的圖像分辨率與系統(tǒng)功耗之間存在權(quán)衡這一問題,提出了一種新的快速角點(diǎn)檢測方法,它在計(jì)算性能和可重復(fù)性方面優(yōu)于以前的算法.

1.2 基于輪廓曲線的角點(diǎn)檢測

相對(duì)于基于梯度和基于模板的檢測器,基于輪廓的檢測器在角點(diǎn)檢測前先進(jìn)行邊緣輪廓檢測[15],在輪廓上而不是整幅圖像上檢測角點(diǎn),因此有著極低的錯(cuò)誤檢概率.該方法的角點(diǎn)測度被定義在輪廓上并且區(qū)分于輪廓上的光滑像素點(diǎn).

1.2.1 基于Freeman鏈碼的角點(diǎn)檢測技術(shù)

二維線條圖像可以用方向Freeman鏈碼表示,這種檢測方法先分割圖像,然后提取圖像邊界的Freeman鏈碼,將方向改變速率大的點(diǎn)標(biāo)記為角點(diǎn).Freeman鏈碼是指相鄰兩像素連線的八種可能方向值,稱為八方位鏈碼.該方法計(jì)算步驟簡潔,但是檢測效果強(qiáng)依賴于圖像分割的質(zhì)量.并且由于需要計(jì)算夾角,對(duì)于噪聲敏感,在進(jìn)行檢測時(shí)必須對(duì)圖像進(jìn)行去噪預(yù)處理.

2014年,曾接賢等人[16]提出了一種曲率尺度空間與鏈碼方向統(tǒng)計(jì)相結(jié)合的角點(diǎn)檢測方法.2017年,Rachmawati等人[17]提出了一種將高速角點(diǎn)檢測與Freeman鏈碼相結(jié)合的多邊形逼近技術(shù).該方法利用一組圖像角點(diǎn)構(gòu)造了一串有序線段的近似多邊形,該近似多邊形可以進(jìn)一步用于形狀表示和分析領(lǐng)域,作為數(shù)字圖像的輪廓描述.2018年,劉相湖等人[18]提出了一種對(duì)Freeman鏈碼分析的角點(diǎn)檢測算法,該方法對(duì)Freeman鏈碼發(fā)生變化時(shí),通過分析其連續(xù)前后多個(gè)點(diǎn)的鏈碼是否符合一定的規(guī)則來判定角點(diǎn).

1.2.2 基于CSS的角點(diǎn)檢測算法

Mokhtarian等人[19]提出了曲率尺度空間(Curvature-Scale-Space,CSS)的角點(diǎn)檢測器,不同角度下的局部曲率被用于角點(diǎn)檢測,角度下追蹤角點(diǎn)并改善定位準(zhǔn)確性.CSS角點(diǎn)檢測算法對(duì)輪廓的局部變化和噪聲高度敏感而且很難選擇合適的高斯尺度平滑輪廓和角點(diǎn)閾值.Zhong等人[20]提出了直接曲率尺度空間(DCSS),方法是將平面曲線的曲率與高斯核直接轉(zhuǎn)換而產(chǎn)生的CSS.他們從理論上分析了DCSS在平面曲線拐角檢測中的應(yīng)用.研究了孤立的單角和雙角模型的尺度空間行為,定義了若干模型屬性,使DCSS圖像能夠轉(zhuǎn)化為樹型組織,從而能夠在多尺度意義上進(jìn)行角點(diǎn)檢測.2016年,李偉生等人[21]提出了一種基于曲率多尺度的自適應(yīng)角點(diǎn)檢測算法AMCP (Adaptive Multi-scale Curvature Polynomial),該算法結(jié)合了尺度多項(xiàng)式的方法,并構(gòu)造局部曲率顯著度LCCS (Local Corners Curvature Saliency),從而用自適應(yīng)的閾值代替全局閾值,極大地增強(qiáng)了算法應(yīng)對(duì)尺度,旋轉(zhuǎn)等變化的魯棒性.

1.2.3 利用弦到點(diǎn)的距離累加的角點(diǎn)檢測算法

2008年,Awrangjeb等人[22]提出了利用弦到點(diǎn)的距離累加(CPDA)的角點(diǎn)檢測算法,該方法在對(duì)圖像中的角點(diǎn)進(jìn)行定位的同時(shí)產(chǎn)生最小的定位誤差,該算法有效的避免了CSS算法中存在的主要問題,卻存在著以下問題:一是鄰近角點(diǎn)被合并,二是鈍形角點(diǎn)被誤刪除,三是無法有效剔除圓形角點(diǎn).2014年,Jin等人[23]針對(duì)基于弦對(duì)點(diǎn)距離積累、定位精度低、檢測時(shí)間復(fù)雜度高等缺點(diǎn),采用先得到單尺度下的候選角點(diǎn),保持相鄰角點(diǎn),然后計(jì)算了多尺度下候選角的特征值,有效地消除了偽角.2017年,Hossain等人[24]提出了一種基于CPDA改進(jìn)的角點(diǎn)檢測算法CADT.該方法的預(yù)處理和改進(jìn)步驟與CPDA相似,但是有效的減少了定位誤差和提高了平均重復(fù)性,降低了角點(diǎn)的偽檢率.

1.2.4 基于角度(Angle)的角點(diǎn)檢測算法

基于Angle的角點(diǎn)檢測算法出根據(jù)邊緣點(diǎn)與左右鄰域內(nèi)的其他點(diǎn)形成的夾角最小值來標(biāo)志該邊緣點(diǎn),把Angle值固定在一定的范圍之內(nèi),其值大小與角點(diǎn)的尖銳度成正比,可以有效避免了基于CSS,CPDA 的算法中存在的問題.但是還存在以下不足:不能檢測出鄰近角點(diǎn),無法有效去除圓形角點(diǎn)、虛假角.2012年,Sadat等人[25]結(jié)合了角探測器CPDA和高曲率點(diǎn)探測器IPAN99,為不同的圖像變換提供了魯棒的角點(diǎn)位置.2017年,金亦挺等人[26]提出基于角度累加的角點(diǎn)檢測算法,在獲取圖像邊緣后定義反映邊緣點(diǎn)特征的角度累加概念,并在“單弦”下計(jì)算邊緣點(diǎn)角度累加值,以此作為角點(diǎn)初始響應(yīng),獲取到候選角點(diǎn);然后構(gòu)造候選角點(diǎn)的局部自適應(yīng)閾值來去除圓形角點(diǎn),并通過實(shí)驗(yàn)來確定其支撐鄰域范圍和比例系數(shù);再在“三弦”下獲取角點(diǎn)特征值,構(gòu)造全局閾值來去除偽角點(diǎn);最后對(duì)曲線端點(diǎn)和T 交叉點(diǎn)進(jìn)行檢測,得到最終角點(diǎn)檢測結(jié)果.

1.2.5 多尺度Gabor濾波器的角點(diǎn)檢測

2004年,Gao等人[27]提出的基于Gabor小波的角點(diǎn)檢測算子.多尺度Gabor濾波器的角點(diǎn)檢測算法克服了在不同圖像上的尺度選擇問題.該算法首先對(duì)圖像進(jìn)行邊緣輪廓的提取,進(jìn)而用一組構(gòu)建好的4個(gè)尺度8個(gè)方向Gabor濾波器的虛部對(duì)圖像進(jìn)行平滑處理,并計(jì)算每個(gè)像素在其相同尺度下各個(gè)方向上Gabor濾波器虛部響應(yīng)的歸一化的和.最后將每個(gè)邊緣像素點(diǎn)在所有尺度下的乘積作為新的角點(diǎn)測度,當(dāng)角點(diǎn)測度大于預(yù)設(shè)閾值時(shí),則認(rèn)定該點(diǎn)為角點(diǎn).2014年,Zhang等人[28]研究提出了一種基于輪廓的角點(diǎn)檢測器,該檢測方法利用Gabor濾波器虛部在輪廓上的幅值響應(yīng).與傳統(tǒng)的通過分析邊緣輪廓形狀和搜索平面曲線上的局部曲率極大值來檢測角點(diǎn)的方法不同,該角點(diǎn)檢測器結(jié)合了邊緣輪廓的像素及其相應(yīng)的灰度變化信息.2016年,田子怡等人[29]也提出了提出了一種基于邊緣輪廓線的多尺度Gabor濾波器的角點(diǎn)檢測算法.2017年,高華[30]提出了一個(gè)既利用到圖像邊緣輪廓信息又利用到圖像灰度信息的基于Log-Gabor梯度方向一致性的角點(diǎn)檢測算法,以提高角點(diǎn)檢測器的檢測性能.

1.3 其他的角點(diǎn)檢測技術(shù)

此外許多研究人員也各自提出或改進(jìn)了基于角點(diǎn)的檢測算子.2008年,He和Yung[31]提出了一種使用自適應(yīng)曲率閾值從初始列表中刪除圓角的角點(diǎn)檢測方法.劉文進(jìn)等人[32]提出一種基于AP聚類角點(diǎn)提取優(yōu)化的雙邊濾波(BF)角點(diǎn)檢測改進(jìn)算法.2015年,孔祥楠等人[33]

提出了一種基于各向異性高斯方向?qū)?shù)表示的角點(diǎn)檢測器和分類器.該角點(diǎn)檢測器融合了基于輪廓和灰度強(qiáng)度的檢測思想,提出了一種像素處表示是定向角度的函數(shù),從而表征了像素周圍的局部方向灰度變化.2016年,Xing等人[34]基于局部區(qū)域的自適應(yīng)閾值,提出了一種新的帶填充環(huán)和外環(huán)的掩碼來檢測圖像中的角點(diǎn).該方法先利用內(nèi)填充圓作為響應(yīng)函數(shù),對(duì)圖像角領(lǐng)域、目標(biāo)邊緣以及平坦區(qū)域等非角區(qū)域進(jìn)行濾波.然后利用復(fù)雜的響應(yīng)函數(shù),同時(shí)考慮內(nèi)圈和外環(huán)的邊緣,并采取相關(guān)算法檢測位于薄帶、噪聲和突出像素上的虛假角點(diǎn).2017年,Cho等人[35]提出了一種新的基于非角度測量的角點(diǎn)檢測方法.該非角函數(shù)消除了位于平坦區(qū)域的像素并刪除了沿任意方向沿邊緣的像素.

各種角點(diǎn)技術(shù)綜合性能總結(jié)以及優(yōu)缺點(diǎn)在表1有詳細(xì)的展示.

2 角點(diǎn)檢測算法的測評(píng)技術(shù)

由于角點(diǎn)沒有精準(zhǔn)的定義,因此角點(diǎn)的確認(rèn)是一個(gè)非常主觀的二值化過程.一般由算法測評(píng)者根據(jù)實(shí)際應(yīng)用需求自行給出,由此影響了測評(píng)結(jié)果的客觀性.現(xiàn)有的測評(píng)技術(shù)主要依賴于理論分析,基于標(biāo)定的參考角點(diǎn),以及基于一致性判定,常用的主要為后兩者 其中比較經(jīng)典的基于標(biāo)定的參考角點(diǎn)方法由2003年Rockett[36]提出.該方法通過一組具有參考角點(diǎn)的圖像集,然后對(duì)圖形進(jìn)行不同算法的角點(diǎn)檢測,利用ROC曲線對(duì)檢測器的性能進(jìn)行評(píng)價(jià).

表1 各種角點(diǎn)技術(shù)綜合性能總結(jié)

本文主要針對(duì)基于一致性[37]的判定的角點(diǎn)檢測評(píng)價(jià)技術(shù)進(jìn)行詳細(xì)介紹.主要有兩個(gè)指標(biāo):一是角點(diǎn)重復(fù)率,二是角點(diǎn)定位誤差.該方法先是對(duì)給定圖片進(jìn)行角點(diǎn)的提取,角點(diǎn)數(shù)記為Nc.然后對(duì)圖形進(jìn)行如下操作:旋轉(zhuǎn)變換,尺度變化,仿射變換,Jpeg壓縮等.提取變化后的角點(diǎn)數(shù)量Nm,最后對(duì)兩者進(jìn)行匹配得到配對(duì)數(shù)Nr.其中,角點(diǎn)重復(fù)率函數(shù)如下:

角點(diǎn)定位誤差函數(shù)如下:

為了避免數(shù)據(jù)展示的冗雜,本文選取了一定數(shù)量的圖片,以及幾種角點(diǎn)檢測算法,對(duì)其性能進(jìn)行了評(píng)測,大致展示了這幾種算法的角點(diǎn)重復(fù)率及角點(diǎn)定位誤差.實(shí)驗(yàn)數(shù)據(jù)部分采用了CPDA,He ＆Yung,CSS,FastCPDA等較為新穎的角點(diǎn)檢測算法進(jìn)行了測試.其中CPDA利用弦到點(diǎn)的距離累加;He ＆Yung使用自適應(yīng)曲率閾值從初始列表中刪除圓角;CSS利用了曲率尺度空間;FastCPDA是一種改進(jìn)算法.具體結(jié)果如圖1和圖2所示.具體細(xì)節(jié)鑒于篇幅不再贅述.所展示的圖片檢測效果則是采取了幾種常見的角點(diǎn)檢測算子以供參考,如圖3和圖4所示.

圖1 角點(diǎn)重復(fù)率示意圖

圖2 角點(diǎn)定位誤差示意圖

圖3 角點(diǎn)較少圖像的檢測示例

圖4 角點(diǎn)較多圖像的檢測示例

3 角點(diǎn)檢測算法的實(shí)際應(yīng)用

洪磊等人[38]針對(duì)Hessian算子在棋盤格角點(diǎn)檢測過程中邊緣局部區(qū)域角點(diǎn)檢測失敗的問題,提出一種恢復(fù)角點(diǎn)識(shí)別的修正算法.Lin等人[39]提出了兩種新的三維網(wǎng)格數(shù)據(jù)角點(diǎn)檢測算法,分別研究了在多尺度空間中曲面的幾何性質(zhì)以及利用簡單三角形原理檢測網(wǎng)格角點(diǎn)的方法.謝志峰等人[40]在深度神經(jīng)網(wǎng)絡(luò)的煙碼智能識(shí)別方法中采用角點(diǎn)檢測進(jìn)行圖像塊的切割.Li等人[41]針對(duì)高光譜圖像提出了極限約束空間譜角(ECSSC)的定義并設(shè)計(jì)了一種基于ECSSC和并行計(jì)算的圖像級(jí)HSI分類框架.該算法能夠從HIS角點(diǎn)特征中檢測出豐富的角點(diǎn)特征,具有較高的重現(xiàn)性,基于ECSSC的圖像級(jí)HSI檢測精度明顯高于現(xiàn)有的算法.Wang等人[42]針對(duì)傳統(tǒng)角點(diǎn)檢測在視頻圖像復(fù)雜場景中角點(diǎn)檢測精度低、實(shí)時(shí)性差的問題,提出了一種基于ORB特征提取和群SAC算法的快速角點(diǎn)檢測算法.該算法應(yīng)用于光照變化、尺度變化、旋轉(zhuǎn)變化、遮擋圖像等復(fù)雜場景的視頻圖像中具有較高的精度和較低時(shí)間復(fù)雜度,具有較強(qiáng)的魯棒性.劉妍等人[43]提出了一種基于SAR快速角點(diǎn)檢測的SAR圖像配準(zhǔn)方法,該方法是一種自定義的基于加速段測試(FAST)特征的SAR圖像配準(zhǔn)方法.該方法表明了快速合成孔徑雷達(dá)能夠檢測出足夠數(shù)量的角點(diǎn),具有較高的重復(fù)性和穩(wěn)定性,在應(yīng)用于圖像配準(zhǔn)時(shí)也能得到較好的配準(zhǔn)結(jié)果.

4 結(jié)論與展望

本文對(duì)現(xiàn)有的角點(diǎn)檢測技術(shù)進(jìn)行了分類和歸納,詳細(xì)闡述典型角點(diǎn)檢測算法的關(guān)鍵步驟,表1對(duì)基本的角點(diǎn)檢測算法進(jìn)行了歸納和總結(jié).本文也對(duì)近幾年來各類角點(diǎn)檢測算法發(fā)展與改進(jìn)提出了一點(diǎn)建議.

總的來說,角點(diǎn)檢測算法的研究改進(jìn)工作主要有以下幾個(gè)方面:(1)根據(jù)實(shí)際工程的需求出發(fā),角點(diǎn)檢測技術(shù)的一些指標(biāo)如快速性、準(zhǔn)確性、魯棒性等有著不同的定量指標(biāo),所以選取的角點(diǎn)檢測算法需要從業(yè)人員進(jìn)行全局的分析.(2)從算法角度來看,直接基于灰度圖像強(qiáng)度的角點(diǎn)檢測基本上是全局搜索,可以進(jìn)行局部搜索優(yōu)化算法;基于邊緣輪廓的角點(diǎn)檢測一般采用了多分辨分析并行處理,從灰度圖像得到邊緣輪廓曲線要經(jīng)過兩次以上的全局搜索,計(jì)算復(fù)雜度高,對(duì)此進(jìn)行算法復(fù)雜度的優(yōu)化,可以提高檢測的檢測度.(3)角點(diǎn)檢測測評(píng)技術(shù)的研究亟待完善,現(xiàn)在還沒有公認(rèn)的大規(guī)模關(guān)于角點(diǎn)檢測的數(shù)據(jù)集,而且角點(diǎn)測評(píng)技術(shù)的維度也十分有限.后續(xù)研究者可以在這兩方面著力研究.

除此之外,本文還搜集了一些最新的角點(diǎn)檢測算法在工程中的實(shí)際應(yīng)用案例.角點(diǎn)檢測在三維場景重建、運(yùn)動(dòng)估計(jì)、視覺跟蹤、機(jī)器人定位、視覺跟蹤、圖像全景拼接以及圖像配準(zhǔn)與匹配等領(lǐng)域有著廣泛的應(yīng)用前景.角點(diǎn)檢測技術(shù)仍在發(fā)展,本文羅列的一些較新的方法及經(jīng)典方法的改進(jìn)策略,意在期望更多研究人員推動(dòng)這一課題更快發(fā)展.文章中必然存在的一些不當(dāng)?shù)膯栴},我們歡迎對(duì)這些觀點(diǎn)進(jìn)行批判和糾正.