面向大型建筑物形變監(jiān)測的圖像角點檢測方法

王長庚, 韓瑜,2*

(1.中山大學(xué)智能工程學(xué)院， 廣州 510006； 2.廣東省消防科學(xué)與智能應(yīng)急技術(shù)重點實驗室， 廣州 510006)

大型建筑物形變在自然災(zāi)害中普遍存在，建筑物形變在一定限度內(nèi)是安全的，一旦超過限定值，則會造成災(zāi)害的發(fā)生，因此需要對大型建筑物進(jìn)行形變監(jiān)測。形變監(jiān)測是指使用專門的儀器或者方法去監(jiān)測變形體的形變情況[1]。大型建筑物表面的形變通常很小，需要用專門的檢測方法去檢測形變大小。針對大型建筑物形變監(jiān)測的方法主要有全球定位系統(tǒng)(global positioning system，GPS)衛(wèi)星定位與導(dǎo)航技術(shù)[2]、全站儀定位系統(tǒng)(totalstation positioning sytem，TPS)測量系統(tǒng)[3]、三維激光掃描測量技術(shù)[4]、基于攝影測量技術(shù)的形變監(jiān)測方法[5]等，本文重點研究基于攝影成像的大型建筑物形變安全監(jiān)測。

基于攝影測量技術(shù)的形變檢測方法根據(jù)攝影成像的圖片進(jìn)行形變監(jiān)測，其誤差和難點在于大樓建筑物圖片的角點檢測。角點檢測算法一般分為基于圖像邊緣輪廓和基于圖像梯度的角點檢測算法，其中Harris角點檢測算法因其原理簡單、檢測效果好以及適用性廣等優(yōu)點而成為目前使用較為廣泛的角點檢測算法。但Harris算法仍存在角點檢測精度低、計算量大、不具有尺度變化性、角點聚簇現(xiàn)象嚴(yán)重等問題，一直以來研究者們不斷對Harris算法進(jìn)行改進(jìn)，如文獻(xiàn)[6-10]通過構(gòu)造內(nèi)外圓環(huán)模板、Harris算法和比例積分微分控制(proportion integral differential, PID)算法相結(jié)合、圖像灰度變化的自相關(guān)性角點篩選和非極大值抑制、提出模板邊緣思想和自適應(yīng)閾值、結(jié)合深度學(xué)習(xí)進(jìn)行參數(shù)調(diào)整等方法改善了原算法的角點聚簇現(xiàn)象，提高了角點檢測的準(zhǔn)確性。文獻(xiàn)[11-15]通過B樣條函數(shù)替代高斯窗口函數(shù)和采用自適應(yīng)閾值、灰度差預(yù)處理剔除非角點、計算待測點周圍鄰域內(nèi)與之相似的像素點數(shù)目進(jìn)行預(yù)篩選、鄰域比較法濾掉大部分非特征點、通過結(jié)合角點灰度特征分析與類曲度檢測特征點等方法改進(jìn)了原算法計算量大、角點檢測實時性較差的不足，文獻(xiàn)[16-17]通過雙邊濾波預(yù)處理和引入多尺度空間表示、采用多尺度Retinex算法構(gòu)建圖像邊緣輪廓特征檢測模型等方法提高了算法的尺度多樣性。文獻(xiàn)[18]通過提出一種自適應(yīng)閾值和改進(jìn)算法角點的判別方式，提高其準(zhǔn)確性和算法速度。然而上述研究只研究其算法本身，并沒有將角點檢測與亟待解決的建筑物形變監(jiān)測聯(lián)系起來，研究建筑物形變監(jiān)測過程中的關(guān)鍵點檢測精度和響應(yīng)速度對監(jiān)測建筑安全具有重大意義。

因此,針對傳統(tǒng)Harris算法應(yīng)用于大型建筑物圖像角點檢測時角點檢測精度低、偽角點較多、運算時間長以及角點聚簇現(xiàn)象嚴(yán)重的現(xiàn)有不足出發(fā)，現(xiàn)提出一種基于提升尺度單一性和灰度差值預(yù)篩選的改進(jìn)算法，以提高其在建筑物形變檢測中的角點檢測效果和響應(yīng)速度。

1 本文改進(jìn)算法

1.1 Harris算法基本原理

Harris算法[19]是一種基于圖像灰度變化的角點檢測算法。算法核心思想是根據(jù)計算待測像素點的灰度變化值判斷是否為角點，具體計算方法是根據(jù)圖像水平方向和垂直方向上的梯度自相關(guān)函數(shù)得到自相關(guān)矩陣M，計算出矩陣M的兩個特征值，當(dāng)兩個特征值都很高時認(rèn)為該點為角點。計算公式為

(1)

(2)

CRF(x,y)=det(M)-k[tr(M)]2

(3)

式中：Eu,v(x,y)為目標(biāo)像素(x,y)在水平和垂直方向上分別移動u和v后的灰度變化值；wu,v為高斯函數(shù)；u為在x方向上移動的距離;v為在y方向上移動的距離；o為無窮小項；I(x+u,y+v)為像素點在(x+u,y+v)處的像素灰度值；I(x,y)為(x,y)處的像素灰度值；Ix和Iy為像素點在(x,y)處水平和垂直方向上的一階偏導(dǎo)數(shù)；CRF(x,y)為角點響應(yīng)函數(shù)；det(M)表示矩陣M的行列式；tr(M)為矩陣M的跡；k為常數(shù)，一般在0.04～0.06取值。

1.2 提升尺度多樣性

為了使本文算法對尺度變化下的相同圖像穩(wěn)定地檢測出角點，本文研究中引入高斯核卷積函數(shù)與灰度圖像進(jìn)行卷積運算，得到多個尺度下的灰度圖像，在這基礎(chǔ)上進(jìn)行角點檢測。一個大小為m×n的數(shù)字圖像I的尺度空間L(x,y,δ)可以定義為該固定尺度參數(shù)下的高斯函數(shù)G(x,y,δ)與其自身的卷積，如式(4)和式(5)所示：

L(x,y,σ)=G(x,y,σ)*I(x,y)

(4)

(5)

式中：*為卷積運算；σ為高斯模板的大??；(x,y)為像素點位置，通過連續(xù)變化的尺度參數(shù)對圖像進(jìn)行變換可以獲得圖像的多尺度序列。

通過與圖像序列進(jìn)行卷積得到變換后的卷積序列，高斯核的大小不同代表著不同尺度下的圖像，圖像在較小尺度下會保留著圖像的細(xì)節(jié)信息，在一些應(yīng)用場景如大型建筑物角點檢測方面顯得尤為重要，而在較大尺度下圖像的全局信息會顯示得很清楚。而角點具有穩(wěn)定性和鄰域不變性，通過高斯核變換在多次尺度變換后檢測到的角點會自動篩除掉那些在大尺度下檢測到的點，這種在大尺度下檢測到的點由于檢測較為模糊，往往容易引入噪聲點和冗余點，而在較小的尺度下則會被舍去。

1.3 初始像素點集篩選效率提升

為了減少對大型結(jié)構(gòu)物圖像的檢測時間，提高響應(yīng)速度，本文算法通過對待測像素點周圍鄰域的8個像素點進(jìn)行灰度差計算，設(shè)置一個閾值g，灰度差小于閾值時則保留該像素點，不滿足閾值條件則舍去該像素點，依次循環(huán)直至將所有滿足條件的像素點檢測出來?；叶炔钣嬎愎綖?/p>

(6)

設(shè)待測像素點坐標(biāo)為(x,y)，與其鄰域8像素點的灰度差分別為d1～d8，判斷閾值為g，具體計算公式如式(7)所示，依次遍歷圖像中的所有像素點，直到所有的初始角點被檢測出來，如式(8)所示。

設(shè)待測像素點鄰域中與其相似的像素數(shù)目為n(x,y)，則計算公式為

(7)

(8)

式中：C(x,y)為計算待測像素點與其鄰域內(nèi)灰度差值較大的點；n(x,y)為待測像素點與其鄰域內(nèi)灰度差值較大的點的集合；(x,y)為模板上的待測像素點；Ω為待測圖像上所有點的集合；g為灰度差閾值；i=1,2,…,8。

1.4 基于SUSAN思想的偽角點去除

通過上述步驟得到初始角點后，不可避免地會存在偽角點，經(jīng)過初步檢測到的初始角點相比之前的像素點極大的減少，故可以用SUSAN[20]檢測的思想來進(jìn)一步提取出真實角點。定義一個一定大小的圓形模板，在圖像上依次移動圓形模板，如果模板中的像素與核點像素之間的灰度差低于某個閾值，則認(rèn)為該點與核點相似，所有這些像素點組成的區(qū)域稱為核值相似區(qū)(univalue-segment-assimilating-nucleus, USAN)，如式(9)所示。根據(jù)USAN面積的大小判斷該像素點是否為角點，具體判斷公式如式(10)所示。

定義直徑D=7的圓形模板，記經(jīng)過初步篩選后的像素點集為n(u,v)，其USAN面積為g(u,v)，則

(9)

將USAN的面積和給定的閾值d進(jìn)行比較，計算出角點響應(yīng)函數(shù)R(u,v)，即

(10)

當(dāng)計算邊緣角點時，g一般取3/4Nmax，當(dāng)計算角點時，g一般取1/2Nmax，一般g不用調(diào)整就能取得很好的角點檢測效果，最后通過非極大值抑制獲得最終角點。

2 實驗結(jié)果與分析

2.1 5種算法實驗對比結(jié)果

將本文研究中基于提升尺度單一性和灰度差值預(yù)篩選算法和Harris原算法、文獻(xiàn)[21]算法、文獻(xiàn)[22]算法、文獻(xiàn)[23]算法對大樓建筑物進(jìn)行角點檢測對比實驗，為了避免各種算法運行時各項指標(biāo)的偶爾誤差發(fā)生，本文將所有算法統(tǒng)一運行在7-8700 CPU、3.20 GHz，3.19 GHz的處理器，16 GB的內(nèi)存、Windows 10專業(yè)版64位的操作系統(tǒng)，NVIDIA GeForce GTX 1060 6GB的雙顯卡的臺式電腦上，該電腦統(tǒng)一在開機(jī)一段時間后電腦運行平穩(wěn)后再進(jìn)行角點檢測，同時后臺未運行其他任何軟件，禁止所有程序在運行過程中彈出窗口，運行程序為MATLAB R2020b。為了保證實驗數(shù)據(jù)的真實性和避免實驗圖片數(shù)量過少帶來偶然誤差，本文實地拍攝了30張具有代表性的大樓建筑物圖像，建立了數(shù)據(jù)庫DATASET，記該數(shù)據(jù)庫的大小為n，n代表數(shù)據(jù)庫中圖像的數(shù)量，本文中n為30。

在相同的硬件條件和外部環(huán)境下，為了避免單一實驗造成的隨機(jī)誤差，對所有算法在同一條件下均運行N次，本文研究中N為30，對所有數(shù)據(jù)量取其平均值，最大限度地避免隨機(jī)誤差的產(chǎn)生，使實驗數(shù)據(jù)更具有說服力。為了更好地表現(xiàn)其角點檢測效果，以及增強(qiáng)角點檢測的實用性，本文研究中實地拍攝了具有代表性的大樓建筑物作為實驗對象，5種算法實驗結(jié)果如圖1～圖5所示。

圖1 Harris算法角點檢測結(jié)果圖Fig.1 Harris algorithm corner detection result

圖2 文獻(xiàn)[21]算法角點檢測結(jié)果圖Fig.2 The corner detection result of the algorithm in ref.[21]

圖3 文獻(xiàn)[22]算法角點檢測結(jié)果圖Fig.3 The corner detection result of the algorithm in ref.[22]

圖4 文獻(xiàn)[23]算法角點檢測結(jié)果圖Fig.4 The corner detection result of the algorithm in ref.[23]

圖5 本文算法角點檢測結(jié)果圖Fig.5 The corner detection result of the proposed algorithm

2.2 5種算法實驗數(shù)據(jù)對比

為了科學(xué)地比較5種算法的角點檢測結(jié)果，統(tǒng)計了Harris原算法、文獻(xiàn)[21]算法、文獻(xiàn)[22]算法、文獻(xiàn)[23]算法以及本文算法對同一建筑物圖像角點檢測的具體數(shù)據(jù)，為了避免其偶然誤差，將5種算法在同一條件下分別對每張圖片檢測N次，N取取30，將每次的數(shù)據(jù)記錄后取其平均值作為參考數(shù)值。

涉及的角點檢測算法在評價準(zhǔn)確性和可靠性時需和真實角點位置進(jìn)行對比，為了對比本文涉及的角點檢測算法的優(yōu)劣，需要圖像的真實角點作為參考量。采用圖像標(biāo)注軟件Labelme對STRUCTURE_DEFORMATION_DATASET中的大樓建筑物圖像進(jìn)行標(biāo)注。為了進(jìn)一步計算和比較5種算法對建筑物圖像檢測的實際效果，分別比較了其準(zhǔn)確性、可靠性和高效性。

2.2.1 準(zhǔn)確性比較

采用正確率η和偽檢率δ來描述算法的準(zhǔn)確性，其中正確率為算法檢測出來的真實角點數(shù)占檢測到的角點總數(shù)百分比，具體計算公式為

(11)

式(11)中：η為正確率，即η算法檢測的正確角點數(shù)占檢測角點總數(shù)的比重；a為正確角點數(shù)；b為檢測角點總數(shù)。5種算法均對數(shù)據(jù)庫圖像進(jìn)行30次角點檢測實驗，統(tǒng)計并計算出相關(guān)平均值指標(biāo)，求出其平均正確率，具體數(shù)值如表1所示。

表1 5種算法的平均正確率Table 1 The average accuracy of the five algorithms

偽檢率為算法檢測出來的偽角點數(shù)占檢測到的角點總數(shù)的百分比，具體計算公式為

(12)

式(12)中：δ為偽檢率，即算法檢測的偽角點數(shù)占檢測角點總數(shù)的比重；c為偽角點數(shù)；b為檢測角點總數(shù)。δ越大說明算法檢測出來的偽角點數(shù)多，算法的準(zhǔn)確性較差，5種算法均對數(shù)據(jù)庫圖像進(jìn)行30次角點檢測實驗，統(tǒng)計并計算出相關(guān)平均值指標(biāo)，依次求出五種算法對數(shù)據(jù)庫中30張實驗圖片的偽檢率，如表2所示。

由于實地拍攝的大樓建筑物表面大都是凹凸不平的，或多或少存在細(xì)坑、凸起、附著物等，Harris原算法檢測時的區(qū)分角點與周圍像素點之間的閾值選取的比較小，導(dǎo)致檢測到的角點數(shù)量非常多，角點聚簇現(xiàn)象明顯，正確率低，偽檢率高，而本文研究中的4種改進(jìn)算法均修正了角點篩選標(biāo)準(zhǔn)，只有與周圍像素點對比比較明顯的角點才被判定出來。

表2 5種算法的平均偽檢率Table 2 The average false detection rate of the five algorithms

其中文獻(xiàn)[21]中將非極大值抑制中的方形窗口替換為圓形窗口有效地減少了誤檢；文獻(xiàn)[22]中加入一種加權(quán)系數(shù)自適應(yīng)的加權(quán)均值濾波來有效地減少偽角點的形成；文獻(xiàn)[23]中引入自適應(yīng)的灰度差分理念和積分圖像的思想提高了角點提取的準(zhǔn)確性，本文算法中通過引入多尺度的高斯核函數(shù)，結(jié)合了在高斯核小尺度下定位準(zhǔn)確和大尺度下抗噪能力強(qiáng)的優(yōu)點，提高了準(zhǔn)確性。從表1和表2中可以看到4種Harris改進(jìn)算法相較于Harris原算法在正確率上都有著明顯的提高，在偽檢率上有著明顯的降低，而本文算法相較于其他3種Harris新算法有著更明顯的效果，正確率更高，偽檢率更低，算法檢測的準(zhǔn)確性更好。

2.2.2 可靠性比較

用檢測率來表示可靠性的大小，當(dāng)算法檢測出來的真實角點數(shù)在整個圖像的真實角點總數(shù)的比例越大時，認(rèn)為該算法越可靠，具體計算公式為

(13)

式(13)中：θ為檢測率，表示算法檢測的正確角點數(shù)占標(biāo)注角點數(shù)的比重來描述可靠性；a為正確角點數(shù)量；d為待測圖像的標(biāo)注角點數(shù)。當(dāng)θ越大，表明該算法檢測出來的真實角點數(shù)越多，可靠性越好，當(dāng)θ越小，表明該算法檢測出來的真實角點數(shù)越少，可靠性越差。將5種算法對數(shù)據(jù)庫圖像進(jìn)行30次角點檢測實驗，統(tǒng)計并計算出相關(guān)平均值指標(biāo)，平均檢測率結(jié)果如表3所示。

Harris算法對圖像中的每個像素點都進(jìn)行角點判斷，通過閾值的判斷和非極大值抑制的篩選后，不容易丟失角點，同時可以較穩(wěn)定地檢測出角點，但計算量大實時性不高，而在Harris改進(jìn)算法中是通過減少初始遍歷的角點數(shù)來進(jìn)行修正，不可避免地丟失一些處于孤立處的角點，檢測率相比Harris原算法來說沒有得到很大的提高，但加快了響應(yīng)速度。由表3角點平均檢測率可知Harris原算法的檢測率也并不低，4種改進(jìn)算法的檢測率都優(yōu)于Harris原算法，進(jìn)一步地提高了角點檢測的精確度，并且本文算法的檢測率略微好于其他3種改進(jìn)算法。

2.2.3 高效性對比

用5種算法對每張大樓建筑物圖像角點檢測運行N次的平均時間作為對該圖像的角點檢測所需時間，當(dāng)所需時間越少，則說明該算法的運行速度更快、算法的高效性更好，具體計算公式為

表3 5種算法的平均檢測率Table 3 The average detection rate of the five algorithms

(14)

式(14)中:Ti為角點檢測算法運行第i次的時間。將5種算法對數(shù)據(jù)庫圖像進(jìn)行30次角點檢測實驗，求出5種算法的平均檢測時間，具體數(shù)據(jù)如表4所示。

由表4可知Harris原算法的運行時間最長，4種Harris改進(jìn)算法相對于Harris原算法都減少了角點檢測時間，提高了角點響應(yīng)速度，與文獻(xiàn)[21]算法、文獻(xiàn)[22]算法及文獻(xiàn)[23]算法相比，本文算法在實時響應(yīng)、檢測速度上具有更快的優(yōu)勢。

將5種算法對30張數(shù)據(jù)庫圖像角點檢測的相關(guān)指標(biāo)取其平均值，得到5種算法相關(guān)指標(biāo)比較表，如表5所示。

表4 5種算法的平均檢測時間Table 4 The average detection time of the five algorithms

表5 5種算法平均指標(biāo)值Table 5 The average index value of the five algorithms in this paper

由于實際條件下拍攝的大樓建筑物存在諸多干擾信息，圖像表面大多凹凸不齊，給大樓建筑物的形變監(jiān)測帶來了困難。由表5可知，Harris原算法對30張大樓建筑物圖像角點檢測的正確率較低，偽檢率較高，而文獻(xiàn)[21]算法、文獻(xiàn)[22]算法、文獻(xiàn)[23]算法、本文算法均提高了對大樓建筑物圖像角點檢測的正確率，降低了偽檢率。

本文算法結(jié)合多尺度下的角點檢測以及初始像素點預(yù)篩選，對大樓建筑物圖像角點檢測的正確率提升優(yōu)于其他3種改進(jìn)算法，平均正確率提高了近14.78%。同時檢測率代表著算法檢測效果的好壞，文獻(xiàn)[21]算法、文獻(xiàn)[22]算法、文獻(xiàn)[23]算法以及本文算法相對于Harris原算法來說，檢測率提升不大，但相比之下本文算法的平均檢測率仍提升了近6.40%。結(jié)合5種算法平均檢測時間來看，可以得出在檢測率相差不大的檢測結(jié)果下，后4種算法所需時間更少，其中本文算法在初始像素點預(yù)篩選中使用鄰域像素點作差比較來代替原Harris算法中的乘法運算，進(jìn)一步地縮短了檢測時間，綜合5種算法的平均檢測時間來看，本文的檢測時間最短，平均檢測時間提升了近21.26%，高效性最好，角點響應(yīng)速度更快。

本文算法提升了Harris算法的檢測精度和響應(yīng)速度，由圖1～圖5可知本文算法同樣提升了建筑物的角點檢測中，可以更好地應(yīng)用于建筑物形變監(jiān)測中，擴(kuò)展了Harris算法的應(yīng)用范圍。近年來，研究者們對Harris算法不斷進(jìn)行改進(jìn)，應(yīng)用于不同的實際背景中。如蔡欣展等[24]通過將Harris算法、FAST算法以及Brute-Force匹配相結(jié)合，提高了圖像配準(zhǔn)的速度和精度。許鑫等[25]通過K-means聚類分割算法進(jìn)行特征提取，再利用Harris算法對小麥苗莖基部端點進(jìn)行識別，實現(xiàn)了大田小麥基本苗的快速、精確、智能化監(jiān)測識別。周偉等[26]通過多邊形逼近方法提取目標(biāo)輪廓拐角頂點和最小二乘法對最長邊頂點進(jìn)行直線擬合的改進(jìn)，提高了對芯片圖像的快速校正效率。苗榮慧等[27]通過提出一種基于圖像塊改進(jìn)Harris角點檢測的農(nóng)田圖像拼接算法，旨在構(gòu)造大視場的農(nóng)田圖像。而本文算法改進(jìn)了Harris算法的檢測精度和響應(yīng)速度，在對建筑物形變監(jiān)測中有著較好的檢測效果，因此可以用于地震等自然災(zāi)害中建筑物的損毀狀況監(jiān)測，擴(kuò)展了算法的實際應(yīng)用領(lǐng)域。

3 算法誤差分析

圖1～圖5即5種算法對順序排列的1～30張圖像進(jìn)行角點檢測的實驗結(jié)果圖，從圖1～圖5中可以看出本文算法對大樓建筑物圖像的角點檢測圖相比Harris原算法和3種改進(jìn)算法來說大部分檢測效果較好，但也存在少數(shù)檢測效果較差的結(jié)果圖，本節(jié)特列舉3張典型的實驗結(jié)果圖進(jìn)行分析說明，如圖6～圖8所示。

由圖6可知，在圖像25的角點檢測中Harris原算法存在角點聚簇現(xiàn)象嚴(yán)重，檢測時間較長等缺點。4種算法均在一定程度上進(jìn)行了優(yōu)化，由圖6可以看出本文算法的檢測效果低于文獻(xiàn)[22]算法、文獻(xiàn)[23]算法，圖像25表面顏色較深，本文算法在進(jìn)行像素點預(yù)篩選灰度計算時，角點和周圍鄰域內(nèi)的像素點之間的灰度差較大，此時算法檢測到過多的偽角點，導(dǎo)致角點聚簇現(xiàn)象嚴(yán)重，由圖6(e)可知角點聚簇現(xiàn)象嚴(yán)重，檢測率較低。

而文獻(xiàn)[21]算法中將非極大值抑制的方形窗口優(yōu)化為圓形窗口，增強(qiáng)了角點檢測的旋轉(zhuǎn)不變性，角點檢測的準(zhǔn)確度得到改善，但丟失了大量真實角點。文獻(xiàn)[22]算法中引入加權(quán)均值濾波函數(shù)進(jìn)行角點篩選，進(jìn)一步減少了角點聚簇現(xiàn)象，但仍存在較多偽角點。文獻(xiàn)[23]中利用自適應(yīng)灰度差分思想和積分圖像可以更好地去除偽角點，但明顯檢測到的真實角點數(shù)也大量減少。

圖6 圖像25的5種算法角點檢測結(jié)果圖Fig.6 Five algorithms of corner detection results of image 25

圖7 圖像28的5種算法角點檢測結(jié)果圖Fig.7 Five algorithms of corner detection results of image 28

圖8 圖像6的5種算法角點檢測結(jié)果圖Fig.8 Corner detection results of five algorithms in image 6

如圖7(a)所示，Harris原算法對圖像28角點檢測時同樣存在角點聚簇現(xiàn)象嚴(yán)重，準(zhǔn)確度較差，運算時間較長的不足。文獻(xiàn)[21]算法進(jìn)一步降低了Harris算法的聚簇效應(yīng)，提高了實時性，但由圖7(b)可知丟失了大量角點。文獻(xiàn)[22]算法引入加權(quán)均值濾波進(jìn)一步提高了角點檢測的抗噪能力和實時性，從圖7(c)中可以清晰地看到角點聚簇現(xiàn)象得到很大改善，角點提取精度進(jìn)一步提升。文獻(xiàn)[23]算法在積分圖像和自適應(yīng)灰度差分思想的改進(jìn)下提高了對圖像28角點檢測的準(zhǔn)確度，但同樣丟失了對大量真實角點的檢測。由圖7對比可知本文算法雖角點聚簇現(xiàn)象較為嚴(yán)重，但檢測出了其他3種改進(jìn)算法沒有檢測到的角點，檢測率得到提高。

如圖8所示，5種算法對圖像6的角點檢測效果都較差，圖像6在拍攝時離相機(jī)較遠(yuǎn)，光線較暗，關(guān)鍵角點信息難以檢測出來，算法改進(jìn)后依然無法將大部分角點檢測出來，圖像11、圖像20、圖像27情況類似，由于圖像拍攝時成像較差，導(dǎo)致角點檢測效果很差。所以在實際大樓建筑物的形變監(jiān)測中，必須保證大樓建筑物圖像拍攝的質(zhì)量，可以多次拍攝進(jìn)行角點檢測取其平均值降低誤差。

4 結(jié)論

從大型建筑物需進(jìn)行形變監(jiān)測的實際需求出發(fā)，通過攝影成像的方法進(jìn)行角點檢測得到大型建筑物形變前后的位置誤差，提出了一種基于提升尺度單一性和灰度差值預(yù)篩選的角點檢測算法。首先通過引入高斯核函數(shù)進(jìn)行卷積操作實現(xiàn)在多種尺度下角點檢測的目標(biāo)，然后通過對待測像素點與其周圍8鄰域像素點進(jìn)行作差篩選像素點以減少計算量，最后再利用最小核值相似區(qū)的思想進(jìn)行角點篩選提升角點檢測的精度。實驗結(jié)果表明，本文算法相比Harris算法及其他改進(jìn)算法來說更能準(zhǔn)確提取出大樓建筑物的角點，正確率平均提升了近15%，平均檢測時間縮短了近21%，可以更好地適用于大樓建筑物的形變檢測實際應(yīng)用中，提高其形變檢測的準(zhǔn)確性和檢測速度，擴(kuò)大實際應(yīng)用范圍。