点击上方“3D视觉工坊”，选择“星标”git
干货第一时间送达github
Harris 角点检测 认为 特征点具备局部差别性。算法
如何描述“特征点具备局部差别性”：微信
以每个点为中心，取一个窗口，窗口大小为5*5或7*7像素大小。学习
这个窗口描述了这个特征点周围的环境。spa
若是这个特征点具备局部差别性，那么以这个特征点为中心，把窗口向360度任意一个方向移动，窗口的变化比较大，则这个特征点的周围环境变化比较大。视频
数学公式：blog
（x,y）：表示像素的位置。教程
：表示窗口内的每一个像素。
资源
w(x,y)：表示 这个位置的权重。
若w=1，则说明窗口中全部的像素贡献是同样的。
若w设置为以这个特征点为中心的高斯，
高斯权重，说明距离这个特征点越近，权重越大；越往周围发散，权重越小。
I(x,y)：表示(x,y)这个位置的像素值。若是是灰度图，I就是灰度值，若是是彩色图，I就是RGB值。
u和v表示窗口移动的方向。
I(x+u,y+v) - I(x,y)：表示对应像素的灰度差别。
：在整个窗口内，即在局部环境内求这个像素灰度差别的加权和。
对 I(x+u,y+v) - I(x,y)进行一阶泰勒展开，获得
在(x,y)处的灰度值，再加上u方向和v方向的偏导数。
整理后，结果为：
u和v表示窗口移动的方向， H表示Harris矩阵，主要由图像梯度表示。
对Harris矩阵进行特征分解：
获得两个特征值，矩阵的这两个特征值反映了：两个相互垂直的方向上的变化状况。
一个是变化最快的方向，一个是变化最慢的方向。
前面设置了u和v，这是两个向量，表示窗口移动的方向。以(x,y)这个点为中心，进行360度的旋转。
特征值对应的特征向量，肯定了变化最快的方向和变化最慢的方向。其余方向的变化状况，介于这二者之间。
经过对Harris矩阵的分析，获得以下结论：
只有当Harris矩阵的两个特征值都很是大的时候，特征点才能和周围环境区别比较大，是咱们想要的特征点。
如今检测特征的任务就变成了，计算Harris矩阵，并判断其两个特征值的大小。
Harris角点准则
实际中，并不对Harris矩阵进行分解求其特征值，由于计算量太大。而是使用Harris角点准则。
C = Harris矩阵的行列式值 – k(Harris矩阵的迹)2
Harris矩阵的行列式值：Harris矩阵特征值的乘积
Harris矩阵的迹：Harris矩阵特征值的和
k的值越小，检测子越敏感。k的值越小，能检测到的特征点越多。
只有当和同时取得最大值时， 才能取得较大值。
避免了特征值分解，提升检测计算效率。
本文仅作学术分享，若有侵权，请联系删文。
下载1
在「3D视觉工坊」公众号后台回复：3D视觉，便可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。
下载2
在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，便可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。
下载3
在「3D视觉工坊」公众号后台回复：相机标定，便可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，便可下载独家立体匹配学习课件与视频网址。
重磅！3DCVer-学术论文写做投稿 交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写做与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写做与投稿事宜。
同时也可申请加入咱们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群。
必定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被经过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各种大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打形成集技术与就业为一体的铁杆粉丝汇集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
以为有用，麻烦给个赞和在看~