harris角点检测原理（harris角点响应函数）
理论
在上一章中，我们看到角是图像中各个方向上强度变化较大的区域。早在1988年，克里斯·哈里斯和迈克·斯蒂芬斯就在他们的论文《一种结合了角和边缘的探测器》中试图找到这些角，所以现在它被称为“哈里斯角探测器”。他把这个简单的想法转化为数学模型。它基本上可以求出(u,v)在所有方向上的位移的强度差。这表示如下:
窗口函数可以是矩形窗口，也可以是高斯窗口（它为下面的像素赋予权重）。
我们需要最大化这个函数E(u,v)来检测拐角。这意味着，我们要使第二项最大化。将泰勒展开应用于上述方程，并使用一些数学步骤(如需完整推导，请参考您喜欢的任何标准课本)，得到最终方程为:
这里的 Ix 和 Iy 分别是图像在 x 和 y 上的导数。(可以很容易的通过函数 cv.Sobel()得到）。
接下来是主要部分。在这之后，他们创建了一个分数，基本上是一个方程，它将决定一个窗口是否可以包含一个角。
其中：
det(M)=λ1λ2trace(M)=λ1+λ2λ1 和 λ2 是M的特征值
因此，这些特征值决定了该区域是角，边沿还是平台区。
当 |R| 较小时（当 λ1 和 λ2 都小时出现），则该区域就是平台区。当 R&<0 时（一般当 λ1&>&>λ2 远大于或相反时出现），则该区域是边沿。当 R 较大时（一般 λ1 和 λ2 都较大且 λ1～λ2趋近），则该区域是角。
可以用下图 λ1 和 λ2 坐标图来表示：
因此，Harris角检测的结果是一个带评分的灰度图像。适当的阈值设置会得到图像中的角。我们将用一个简单的图像来做测试。
OpenCV的Harris角点检测实现
OpenCV 有一个函数 cv.cornerHarris() 就是用于此目的，包括一下参数：
img &– 输入图像，该图像必须是float32 类型的灰度图。blockSize &– 角点检测的邻近域大小ksize &– 用于Sobel导数的孔径参数。k &– 方程中Harris 检测自由参数。
举例说明该函数的使用：
import numpy as npimport cv2 as cvfilename = 'chessboard.png'img = cv.imread(filename)gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)gray = np.float32(gray)dst = cv.cornerHarris(gray,2,3,0.04)#result is dilated for marking the corners, not importantdst = cv.dilate(dst,None)# Threshold for an optimal value, it may vary depending on the image.img[dst&>0.01*dst.max()]=[0,0,255]cv.imshow('dst',img)if cv.waitKey(0) && 0xff == 27: cv.destroyAllWindows()以下就是检测结果：
亚像素精度的角点检测
有时候，你可能需要找到最精确的角。OpenCV附带一个函数cv.cornersubpix()，它进一步细化了以亚像素精度检测到的角。下面是一个例子。像往常一样，我们需要先找到哈里斯角。然后我们通过这些角的质心(可能在一个角上有一堆像素，我们取它们的质心)来细化它们。Harris角用红色像素标记，精制角用绿色像素标记。对于这个函数，我们必须定义何时停止迭代的条件。我们在指定的迭代次数或达到一定的精度后停止它，无论先发生什么。我们还需要定义搜索拐角的邻域的大小。
import numpy as npimport cv2 as cvfilename = 'chessboard2.jpg'img = cv.imread(filename)gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)# find Harris cornersgray = np.float32(gray)dst = cv.cornerHarris(gray,2,3,0.04)dst = cv.dilate(dst,None)ret, dst = cv.threshold(dst,0.01*dst.max(),255,0)dst = np.uint8(dst)# find centroidsret, labels, stats, centroids = cv.connectedComponentsWithStats(dst)# define the criteria to stop and refine the cornerscriteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 100, 0.001)corners = cv.cornerSubPix(gray,np.float32(centroids),(5,5),(-1,-1),criteria)# Now draw themres = np.hstack((centroids,corners))res = np.int0(res)img[res[:,1],res[:,0]]=[0,0,255]img[res[:,3],res[:,2]] = [0,255,0]cv.imwrite('subpixel5.png',img)以下是结果，每个角经过缩放后显示红绿不同位置标识，该函数明显提升了精度：