【OpenCV3】角点检测——cv::goodFeaturesToTrack()与cv::cornerSubPix()详解

一提到角点检测，最常用的方法莫过于Harris角点检测，opencv中也提供了Harris角点检测的接口，即cv::cornerHarris()，但是Harris角点检测存在很多缺陷（如角点是像素级别的，速度较慢等），因此我们这里将介绍opencv中的另一个功能更为强大的函数——cv::goodFeaturesToTrack()，它不仅支持Harris角点检测，也支持Shi Tomasi算法的角点检测。但是，该函数检测到的角点依然是像素级别的，若想获取更为精细的角点坐标，则需要调用cv::cornerSubPix()函数进一步细化处理，即亚像素。

1、cv::goodFeaturesToTrack()角点检测

cv::goodFeaturesToTrack()的具体调用形式如下：

	void cv::goodFeaturesToTrack(
		cv::InputArray image, // 输入图像（CV_8UC1 CV_32FC1）
		cv::OutputArray corners, // 输出角点vector
		int maxCorners, // 最大角点数目
		double qualityLevel, // 质量水平系数（小于1.0的正数，一般在0.01-0.1之间）
		double minDistance, // 最小距离，小于此距离的点忽略
		cv::InputArray mask = noArray(), // mask=0的点忽略
		int blockSize = 3, // 使用的邻域数
		bool useHarrisDetector = false, // false ='Shi Tomasi metric'
		double k = 0.04 // Harris角点检测时使用
	);

第一个参数是输入图像（8位或32位单通道图）。

第二个参数是检测到的所有角点，类型为vector或数组，由实际给定的参数类型而定。如果是vector，那么它应该是一个包含cv::Point2f的vector对象；如果类型是cv::Mat,那么它的每一行对应一个角点，点的x、y位置分别是两列。

第三个参数用于限定检测到的点数的最大值。

第四个参数表示检测到的角点的质量水平（通常是0.10到0.01之间的数值，不能大于1.0）。

第五个参数用于区分相邻两个角点的最小距离（小于这个距离得点将进行合并）。

第六个参数是mask，如果指定，它的维度必须和输入图像一致，且在mask值为0处不进行角点检测。

第七个参数是blockSize，表示在计算角点时参与运算的区域大小，常用值为3，但是如果图像的分辨率较高则可以考虑使用较大一点的值。

第八个参数用于指定角点检测的方法，如果是true则使用Harris角点检测，false则使用Shi Tomasi算法。

第九个参数是在使用Harris算法时使用，最好使用默认值0.04。

下面使用测试代码，看一下实际的检测效果。

测试代码如下：

	cv::Mat image_color = cv::imread("house.jpg", cv::IMREAD_COLOR);

	//使用灰度图像进行角点检测
	cv::Mat image_gray;
	cv::cvtColor(image_color, image_gray, cv::COLOR_BGR2GRAY);

	//设置角点检测参数
	std::vector corners;
	int max_corners = 200;
	double quality_level = 0.01;
	double min_distance = 3.0;
	int block_size = 3;
	bool use_harris = false;
	double k = 0.04;

	//角点检测
	cv::goodFeaturesToTrack(image_gray, 
							corners, 
							max_corners, 
							quality_level, 
							min_distance, 
							cv::Mat(), 
							block_size, 
							use_harris, 
							k);

	//将检测到的角点绘制到原图上
	for (int i = 0; i < corners.size(); i++)
	{
		cv::circle(image_color, corners[i], 1, cv::Scalar(0, 0, 255), 2, 8, 0);
	}

	cv::imshow("house corner", image_color);
	cv::waitKey(0);
	return;

实际检测效果如下：

2、cv::cornerSubPix()亚像素角点检测

前面已经提及，cv::goodFeaturesToTrack()提取到的角点只能达到像素级别，在很多情况下并不能满足实际的需求，这时，我们则需要使用cv::cornerSubPix()对检测到的角点作进一步的优化计算，可使角点的精度达到亚像素级别。

具体调用形式如下：

	void cv::cornerSubPix(
		cv::InputArray image, // 输入图像
		cv::InputOutputArray corners, // 角点（既作为输入也作为输出）
		cv::Size winSize, // 区域大小为 NXN; N=(winSize*2+1)
		cv::Size zeroZone, // 类似于winSize，但是总具有较小的范围，Size(-1,-1)表示忽略
		cv::TermCriteria criteria // 停止优化的标准
	);

第一个参数是输入图像，和 cv::goodFeaturesToTrack()中的输入图像是同一个图像。

第二个参数是检测到的角点，即是输入也是输出。

第三个参数是计算亚像素角点时考虑的区域的大小，大小为NXN; N=(winSize*2+1)。

第四个参数作用类似于winSize，但是总是具有较小的范围，通常忽略（即Size(-1, -1)）。

第五个参数用于表示计算亚像素时停止迭代的标准，可选的值有cv::TermCriteria::MAX_ITER 、cv::TermCriteria::EPS（可以是两者其一，或两者均选），前者表示迭代次数达到了最大次数时停止，后者表示角点位置变化的最小值已经达到最小时停止迭代。二者均使用cv::TermCriteria()构造函数进行指定。

下面就通过一个示例看看cv::cornerSubPix()亚像素角点检测的具体效果。

	cv::Mat image_color = cv::imread("image.jpg", cv::IMREAD_COLOR);

	//用于绘制亚像素角点
	cv::Mat image_copy = image_color.clone();
	//使用灰度图像进行角点检测
	cv::Mat image_gray;
	cv::cvtColor(image_color, image_gray, cv::COLOR_BGR2GRAY);

	//设置角点检测参数
	std::vector corners;
	int max_corners = 100;
	double quality_level = 0.01;
	double min_distance = 10;
	int block_size = 3;
	bool use_harris = false;
	double k = 0.04;

	//角点检测
	cv::goodFeaturesToTrack(image_gray,
		corners,
		max_corners,
		quality_level,
		min_distance,
		cv::Mat(),
		block_size,
		use_harris,
		k);

	//将检测到的角点绘制到原图上
	for (int i = 0; i < corners.size(); i++)
	{
		cv::circle(image_color, corners[i], 5, cv::Scalar(0, 0, 255), 2, 8, 0);
	}

	//指定亚像素计算迭代标注
	cv::TermCriteria criteria = cv::TermCriteria(
					cv::TermCriteria::MAX_ITER + cv::TermCriteria::EPS,
					40,
					0.01);

	//亚像素检测
	cv::cornerSubPix(image_gray, corners, cv::Size(5, 5), cv::Size(-1, -1), criteria);

	//将检测到的亚像素角点绘制到原图上
	for (int i = 0; i < corners.size(); i++)
	{
		cv::circle(image_copy, corners[i], 5, cv::Scalar(0, 255, 0), 2, 8, 0);
	}

	cv::imshow("corner", image_color);
	cv::imshow("sub pixel corner", image_copy);

	cv::imwrite("corner.jpg", image_color);
	cv::imwrite("corner_sub.jpg", image_copy);
	cv::waitKey(0);
	return;

直接角点检测和亚像素角点检测的结果分别如下：

从检测的效果来看，使用亚像素角点检测后角点的精细度确实得到了显著的提升。

2017.04.07