宋俊芳

西藏民族大學信息工程學院，陜西咸陽 712082

角點作為目標局部信息最小的一種描述，它對天氣、光照等環(huán)境變化有較強的適應性和旋轉不變性，在不丟失圖像數(shù)據(jù)信息的前提下，用它進行目標的匹配和跟蹤，可以大大減少算法的運算量，提高匹配跟蹤的即時性。尤其是最近幾年，角點被用在目標跟蹤、行為分析與理解、交通事件和參數(shù)檢測等眾多領域，取得了較好的效果。綜述其起源，出現(xiàn)最早的角點檢測算法是1977年的Moravec算法,借鑒其思路，后來又陸續(xù)出現(xiàn)了經(jīng)典的Harris算法和SUSAN算法。

但這幾個經(jīng)典算法都是基于圖像灰度特征的，各有優(yōu)缺點。如Harris算法,它實際上是對Moravec算法的一種改進，由于實現(xiàn)公式中加了高斯平滑部分, 有效增強了其魯棒性和抑噪能力，但高斯平滑也使該算法的計算量迅速增加，結果導致提取角點的速度變得較為緩慢。而SUNSAN 算法在計算模板面積時需要將像素點的灰度值離散化, 這就帶來了較大的量化誤差, 容易導致邊緣點和角點的判斷混亂，因此，它不適合于序列圖像的角點跟蹤,尤其是對于交通圖像序列這種紋理結構相對復雜的場景，檢測效果更是不理想。雖然后面也有很多學者針對這些方法的弊端，提出了很多改進算法，但都沒有考慮到速度這一指標，當遇到大數(shù)據(jù)的處理（交通視頻） 時，執(zhí)行速率明顯較慢。在同一時期，也有很多研究者不再局限于用圖像的灰度特征來檢測角點，他們嘗試用邊緣特征來檢測角點，如基于邊緣鏈碼的角點檢測、基于小波變換的角點檢測和基于曲率尺度空間的角點檢測。這類方法的弊端是角點的檢測精度取決于邊緣輪廓是否被準確提取，一旦輪廓提取不準確，那么后面的角點定位將出現(xiàn)大的偏差。所以，這類方法的獨立性較差。

面臨這些問題，本文提出先通過運動目標檢測將角點的搜索范圍限定到目標體上，然后再針對目標窗用角點檢測算法進行掃描，這樣不僅可以提高角點的搜索速度，還可以抑制噪聲的干擾。在這之后，還需要對角點檢測的結果作進一步優(yōu)化，本文嘗試了基于區(qū)域檢測屬性的角點優(yōu)化算法，其最終目的是希望留下的角點不僅穩(wěn)健性好，且分布均勻。

1 基于改進幀差法的角點區(qū)域分割

如果在整幅圖像內提取運動目標體上的穩(wěn)健角點，不僅算法耗時大，無法保證系統(tǒng)的實時性，而且提取的結果受背景區(qū)域內噪聲的干擾準確度明顯不高。為解決這一問題，在角點檢測之前，先通過運動目標分割將穩(wěn)健角點的搜索范圍初步縮小到運動區(qū)域內，除掉環(huán)境的干擾。

運動目標分割本文采用改進的幀差法實現(xiàn)，將當前幀?與第?幀和第?幀分別做差分，并用兩次差分的結果D1 和 D2做“與”運算，得到運動目標的特征信息。這不僅解決了傳統(tǒng)幀差法中可能出現(xiàn)的無法完整地檢測出運動目標和漏檢的問題，還有效地避免了單次幀差結果包含非運動目標區(qū)域的現(xiàn)象。

2 基于區(qū)域檢測屬性的角點優(yōu)化算法

在運動區(qū)域窗內可以用幾種傳統(tǒng)算法來檢測角點，重要是要對角點進一步做優(yōu)化。本才采用基于區(qū)域檢測屬性的算法對角點進行優(yōu)化篩選。

該算法先嘗試由用戶在上位機調試出一個最佳的區(qū)域劃分方式，將場景按照某一大小的模板分區(qū)，分區(qū)后通過上位機人工設置各區(qū)域的檢測屬性，用算法對屬性為T的區(qū)域進行處理，對屬性為F的區(qū)域直接舍棄。

對圖像的區(qū)域劃分初步考慮平均分區(qū)，由于每個攝像機安裝的路段、位置、角度都不一樣，所以在設備安裝之后需要調試出一個最佳的劃分方式，比如圖1所示的場景，將場景等分為8×7個塊最佳，圖像區(qū)域劃分如圖1中（a） 圖所示。

分區(qū)后的圖像，通過上位機人工設置各區(qū)域的檢測屬性，如圖1中（b） 所示，如果是不需要檢測的區(qū)域，屬性設置為F，需要檢測的區(qū)域，屬性設置為T。

圖1 實際場景區(qū)域劃分與檢測區(qū)域屬性標識

劃分區(qū)域后，在一個區(qū)域內（T區(qū)域） 最多只保留一個角點，且角點需是該區(qū)域內可跟蹤度最大的特征點，也就是區(qū)域中角點度量值最大的特征點，它們的影響度也最高。如果：

那么在這個區(qū)域內就只保留角點，其余角點除掉。公式中表示T區(qū)域內對應角點位置（x,y） 處的度量值,區(qū)域的寬度范圍是[ ,left right]，高度范圍是[ ,bottom top]。

下面對圖1場景中第一輛卡車的車尾部分（箭頭指示的區(qū)域）用此算法選擇最優(yōu)角點。這部分位于檢測屬性結構圖中第一列的4，5，6行，檢測屬性都是T，角點的度量值如表1所示，具體選擇過程如圖2所示。

表1 車尾部分的角點度量值

圖2 基于區(qū)域檢測屬性的角點優(yōu)化過程示意圖

落入第一列第4行區(qū)域內的角點有1,2,3,4,5,6,7,8,9,10這10個角點，角點度量值最大的8號角點被留下，落入第一列第5行區(qū)域內的角點有11,12,13,14,15,16,17這7個角點，角點度量值最大的16號角點被留下，落入第一列第6行區(qū)域內的角點有18,19,20這三個角點，角點度量值最大的19號角點被留下，其余角點都被刪除，最終在車尾部分只留下8,16,19這三個優(yōu)質特征角點，認為是最穩(wěn)健的角點。

3 結語

基于改進幀差法和區(qū)域檢測屬性的角點選擇算法確實實現(xiàn)了去除冗余角點的目的，留下的角點也多選擇在車輛尾部、后視鏡等特征明顯的區(qū)域，可以很好地用于交通場景中的車輛角點獲取。

[1] Dey N, Nandi P, Barman N, et al.A Comparative Study between Moravec and Harris Corner Detection of Noisy Images Using Adaptive Wavelet Thresholding Technique[J], 2012.

[2] 楊莉,張弘,李玉山.一種快速自適應RSUSAN角點檢測算法[J].計算機科學,2004（5） ：198-200.

[3] Zeng Z Y, Jiang Z Q, Chen Q, et al.An Improved Corner Detection Algorithm Based on Harris [J]. 2012： 717-721.

[4] 黃 華 川, 張 涅 萍.基于協(xié)方差矩陣和小波變換的角點檢測算法[J].制造業(yè)自動化, 2010,32（11） ： 21-22.

[5] 張 小 洪, 雷 明, 楊 丹.基于多尺度曲率乘積的魯棒圖像角點檢測[J].中國圖象圖形學報, 2007,12（7） ： 1270-1275.

[6] 夏 輝，穆希輝，馬振書，等.基 于 支 持向 量機的角點檢測方法研究[J].計算機應用與軟件，2009, 26（1） ：230-231.

[7] 陳磊,鄒北驥.基于動態(tài)閾值對稱差分和背景差法的運動對象檢測算法[J].計算機應用研究, 2008，25（2） ：488-494．