早期视觉：关键点检测、图像拼接

全景拼接

• 人类视角范围200 x 135°，而手机主摄像头通常视场角较小。广角镜头、鱼眼镜头能够让你拍摄出非常大FOV的图像。但它们非常昂贵，而且具有 强烈的畸变。
• 全景拼接通过拍摄多张不同视角的图像并将它们拼接而成。通常采用的是投影变换，因为它的能力比起上面其他的变换形式都更强。

关键点提取（角点）

• 动机：全景图拼接，需要知道如何结合两幅图像。
• 使用图像的Warping技术。 适当的Warp图像然后再做拼接，能够使得我们得到完美的全景图像

好的关键点特征

• 紧致且高效：关键点数目远少于图像像素。
• 显著性：每个关键点都应是独特和有特色的。
• 局部特性：关键点占据图像的相对较小区域，对杂乱和遮挡具有鲁棒性。
• 重复性/再现性：即使在几何和光学变换后，同一关键点也能被检测到。

关键点应用

• 图像对齐、三维重建、运动跟踪、机器人导航、数据库检索、目标识别。

角点检测：基本思想

• 角点：在各个方向上的强度变化都很大。在小 窗口中就可以很容易识别出

Harris角点检测算子

• 计算步骤：
  1. 计算图像的局部梯度。
  2. 局部图像梯度减去平均值。
  3. 计算局部梯度的协方差矩阵。
  4. 计算特征值和特征向量。
  5. 利用阈值处理特征向量，从而判断是否为角点。

Harris角点检测算子详解

• 利用协方差矩阵的特征向量来识别角点。
• 特征值的大小和比例用于确定是否为角点。

角点特征的鲁棒性

• 对几何或光学变换的不变性分析：
  • 对亮度偏移和缩放的不变性。
  • 对平移和旋转的协变性。
  • 对尺度变换的不协变性。