王長(zhǎng)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(diǎn)實(shí)驗(yàn)室， 廣州 510006)

大型建筑物形變?cè)谧匀粸?zāi)害中普遍存在，建筑物形變?cè)谝欢ㄏ薅葍?nèi)是安全的，一旦超過(guò)限定值，則會(huì)造成災(zāi)害的發(fā)生，因此需要對(duì)大型建筑物進(jìn)行形變監(jiān)測(cè)。形變監(jiān)測(cè)是指使用專門(mén)的儀器或者方法去監(jiān)測(cè)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(mén)的檢測(cè)方法去檢測(cè)形變大小。針對(duì)大型建筑物形變監(jiān)測(cè)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(cè)量系統(tǒng)[3]、三維激光掃描測(cè)量技術(shù)[4]、基于攝影測(cè)量技術(shù)的形變監(jiān)測(cè)方法[5]等，本文重點(diǎn)研究基于攝影成像的大型建筑物形變安全監(jiān)測(cè)。

基于攝影測(cè)量技術(shù)的形變檢測(cè)方法根據(jù)攝影成像的圖片進(jìn)行形變監(jiān)測(cè)，其誤差和難點(diǎn)在于大樓建筑物圖片的角點(diǎn)檢測(cè)。角點(diǎn)檢測(cè)算法一般分為基于圖像邊緣輪廓和基于圖像梯度的角點(diǎn)檢測(cè)算法，其中Harris角點(diǎn)檢測(cè)算法因其原理簡(jiǎn)單、檢測(cè)效果好以及適用性廣等優(yōu)點(diǎn)而成為目前使用較為廣泛的角點(diǎn)檢測(cè)算法。但Harris算法仍存在角點(diǎn)檢測(cè)精度低、計(jì)算量大、不具有尺度變化性、角點(diǎn)聚簇現(xiàn)象嚴(yán)重等問(wèn)題，一直以來(lái)研究者們不斷對(duì)Harris算法進(jìn)行改進(jìn)，如文獻(xiàn)[6-10]通過(guò)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(diǎn)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(diǎn)聚簇現(xiàn)象，提高了角點(diǎn)檢測(cè)的準(zhǔn)確性。文獻(xiàn)[11-15]通過(guò)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(diǎn)、計(jì)算待測(cè)點(diǎn)周圍鄰域內(nèi)與之相似的像素點(diǎn)數(shù)目進(jìn)行預(yù)篩選、鄰域比較法濾掉大部分非特征點(diǎn)、通過(guò)結(jié)合角點(diǎn)灰度特征分析與類曲度檢測(cè)特征點(diǎn)等方法改進(jìn)了原算法計(jì)算量大、角點(diǎn)檢測(cè)實(shí)時(shí)性較差的不足，文獻(xiàn)[16-17]通過(guò)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(cè)模型等方法提高了算法的尺度多樣性。文獻(xiàn)[18]通過(guò)提出一種自適應(yīng)閾值和改進(jìn)算法角點(diǎn)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(méi)有將角點(diǎn)檢測(cè)與亟待解決的建筑物形變監(jiān)測(cè)聯(lián)系起來(lái)，研究建筑物形變監(jiān)測(cè)過(guò)程中的關(guān)鍵點(diǎn)檢測(cè)精度和響應(yīng)速度對(duì)監(jiān)測(cè)建筑安全具有重大意義。

因此,針對(duì)傳統(tǒng)Harris算法應(yīng)用于大型建筑物圖像角點(diǎn)檢測(cè)時(shí)角點(diǎn)檢測(cè)精度低、偽角點(diǎn)較多、運(yùn)算時(shí)間長(zhǎng)以及角點(diǎn)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(cè)中的角點(diǎn)檢測(cè)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(diǎn)檢測(cè)算法。算法核心思想是根據(jù)計(jì)算待測(cè)像素點(diǎn)的灰度變化值判斷是否為角點(diǎn)，具體計(jì)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(jì)算出矩陣M的兩個(gè)特征值，當(dāng)兩個(gè)特征值都很高時(shí)認(rèn)為該點(diǎn)為角點(diǎn)。計(jì)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(dòng)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(dòng)的距離;v為在y方向上移動(dòng)的距離；o為無(wú)窮小項(xiàng)；I(x+u,y+v)為像素點(diǎn)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(diǎn)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(diǎn)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(duì)尺度變化下的相同圖像穩(wěn)定地檢測(cè)出角點(diǎn)，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(yùn)算，得到多個(gè)尺度下的灰度圖像，在這基礎(chǔ)上進(jìn)行角點(diǎn)檢測(cè)。一個(gè)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(yùn)算；σ為高斯模板的大?。?x,y)為像素點(diǎn)位置，通過(guò)連續(xù)變化的尺度參數(shù)對(duì)圖像進(jìn)行變換可以獲得圖像的多尺度序列。

通過(guò)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(huì)保留著圖像的細(xì)節(jié)信息，在一些應(yīng)用場(chǎng)景如大型建筑物角點(diǎn)檢測(cè)方面顯得尤為重要，而在較大尺度下圖像的全局信息會(huì)顯示得很清楚。而角點(diǎn)具有穩(wěn)定性和鄰域不變性，通過(guò)高斯核變換在多次尺度變換后檢測(cè)到的角點(diǎn)會(huì)自動(dòng)篩除掉那些在大尺度下檢測(cè)到的點(diǎn)，這種在大尺度下檢測(cè)到的點(diǎn)由于檢測(cè)較為模糊，往往容易引入噪聲點(diǎn)和冗余點(diǎn)，而在較小的尺度下則會(huì)被舍去。

1.3 初始像素點(diǎn)集篩選效率提升

為了減少對(duì)大型結(jié)構(gòu)物圖像的檢測(cè)時(shí)間，提高響應(yīng)速度，本文算法通過(guò)對(duì)待測(cè)像素點(diǎn)周圍鄰域的8個(gè)像素點(diǎn)進(jìn)行灰度差計(jì)算，設(shè)置一個(gè)閾值g，灰度差小于閾值時(shí)則保留該像素點(diǎn)，不滿足閾值條件則舍去該像素點(diǎn)，依次循環(huán)直至將所有滿足條件的像素點(diǎn)檢測(cè)出來(lái)?；叶炔钣?jì)算公式為

(6)

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

設(shè)待測(cè)像素點(diǎn)鄰域中與其相似的像素?cái)?shù)目為n(x,y)，則計(jì)算公式為

(7)

(8)

式中：C(x,y)為計(jì)算待測(cè)像素點(diǎn)與其鄰域內(nèi)灰度差值較大的點(diǎn)；n(x,y)為待測(cè)像素點(diǎn)與其鄰域內(nèi)灰度差值較大的點(diǎn)的集合；(x,y)為模板上的待測(cè)像素點(diǎn)；Ω為待測(cè)圖像上所有點(diǎn)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(diǎn)去除

通過(guò)上述步驟得到初始角點(diǎn)后，不可避免地會(huì)存在偽角點(diǎn)，經(jīng)過(guò)初步檢測(cè)到的初始角點(diǎn)相比之前的像素點(diǎn)極大的減少，故可以用SUSAN[20]檢測(cè)的思想來(lái)進(jìn)一步提取出真實(shí)角點(diǎn)。定義一個(gè)一定大小的圓形模板，在圖像上依次移動(dòng)圓形模板，如果模板中的像素與核點(diǎn)像素之間的灰度差低于某個(gè)閾值，則認(rèn)為該點(diǎn)與核點(diǎn)相似，所有這些像素點(diǎn)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(diǎn)是否為角點(diǎn)，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(guò)初步篩選后的像素點(diǎn)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(jì)算出角點(diǎn)響應(yīng)函數(shù)R(u,v)，即

(10)

當(dāng)計(jì)算邊緣角點(diǎn)時(shí)，g一般取3/4Nmax，當(dāng)計(jì)算角點(diǎn)時(shí)，g一般取1/2Nmax，一般g不用調(diào)整就能取得很好的角點(diǎn)檢測(cè)效果，最后通過(guò)非極大值抑制獲得最終角點(diǎn)。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 5種算法實(shí)驗(yàn)對(duì)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(duì)大樓建筑物進(jìn)行角點(diǎn)檢測(cè)對(duì)比實(shí)驗(yàn)，為了避免各種算法運(yùn)行時(shí)各項(xiàng)指標(biāo)的偶爾誤差發(fā)生，本文將所有算法統(tǒng)一運(yùn)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(tái)式電腦上，該電腦統(tǒng)一在開(kāi)機(jī)一段時(shí)間后電腦運(yùn)行平穩(wěn)后再進(jìn)行角點(diǎn)檢測(cè)，同時(shí)后臺(tái)未運(yùn)行其他任何軟件，禁止所有程序在運(yùn)行過(guò)程中彈出窗口，運(yùn)行程序?yàn)镸ATLAB R2020b。為了保證實(shí)驗(yàn)數(shù)據(jù)的真實(shí)性和避免實(shí)驗(yàn)圖片數(shù)量過(guò)少帶來(lái)偶然誤差，本文實(shí)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(kù)DATASET，記該數(shù)據(jù)庫(kù)的大小為n，n代表數(shù)據(jù)庫(kù)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(shí)驗(yàn)造成的隨機(jī)誤差，對(duì)所有算法在同一條件下均運(yùn)行N次，本文研究中N為30，對(duì)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(shí)驗(yàn)數(shù)據(jù)更具有說(shuō)服力。為了更好地表現(xiàn)其角點(diǎn)檢測(cè)效果，以及增強(qiáng)角點(diǎn)檢測(cè)的實(shí)用性，本文研究中實(shí)地拍攝了具有代表性的大樓建筑物作為實(shí)驗(yàn)對(duì)象，5種算法實(shí)驗(yàn)結(jié)果如圖1～圖5所示。

圖1 Harris算法角點(diǎn)檢測(cè)結(jié)果圖Fig.1 Harris algorithm corner detection result

圖2 文獻(xiàn)[21]算法角點(diǎn)檢測(cè)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(diǎn)檢測(cè)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(diǎn)檢測(cè)結(jié)果圖Fig.4 The corner detection result of the algorithm in ref.[23]

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

2.2 5種算法實(shí)驗(yàn)數(shù)據(jù)對(duì)比

為了科學(xué)地比較5種算法的角點(diǎn)檢測(cè)結(jié)果，統(tǒng)計(jì)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(duì)同一建筑物圖像角點(diǎn)檢測(cè)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(duì)每張圖片檢測(cè)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(diǎn)檢測(cè)算法在評(píng)價(jià)準(zhǔn)確性和可靠性時(shí)需和真實(shí)角點(diǎn)位置進(jìn)行對(duì)比，為了對(duì)比本文涉及的角點(diǎn)檢測(cè)算法的優(yōu)劣，需要圖像的真實(shí)角點(diǎn)作為參考量。采用圖像標(biāo)注軟件Labelme對(duì)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(jì)算和比較5種算法對(duì)建筑物圖像檢測(cè)的實(shí)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(lái)描述算法的準(zhǔn)確性，其中正確率為算法檢測(cè)出來(lái)的真實(shí)角點(diǎn)數(shù)占檢測(cè)到的角點(diǎn)總數(shù)百分比，具體計(jì)算公式為

(11)

式(11)中：η為正確率，即η算法檢測(cè)的正確角點(diǎn)數(shù)占檢測(cè)角點(diǎn)總數(shù)的比重；a為正確角點(diǎn)數(shù)；b為檢測(cè)角點(diǎn)總數(shù)。5種算法均對(duì)數(shù)據(jù)庫(kù)圖像進(jìn)行30次角點(diǎn)檢測(cè)實(shí)驗(yàn)，統(tǒng)計(jì)并計(jì)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(cè)出來(lái)的偽角點(diǎn)數(shù)占檢測(cè)到的角點(diǎn)總數(shù)的百分比，具體計(jì)算公式為

(12)

式(12)中：δ為偽檢率，即算法檢測(cè)的偽角點(diǎn)數(shù)占檢測(cè)角點(diǎn)總數(shù)的比重；c為偽角點(diǎn)數(shù)；b為檢測(cè)角點(diǎn)總數(shù)。δ越大說(shuō)明算法檢測(cè)出來(lái)的偽角點(diǎn)數(shù)多，算法的準(zhǔn)確性較差，5種算法均對(duì)數(shù)據(jù)庫(kù)圖像進(jìn)行30次角點(diǎn)檢測(cè)實(shí)驗(yàn)，統(tǒng)計(jì)并計(jì)算出相關(guān)平均值指標(biāo)，依次求出五種算法對(duì)數(shù)據(jù)庫(kù)中30張實(shí)驗(yàn)圖片的偽檢率，如表2所示。

由于實(shí)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(cè)時(shí)的區(qū)分角點(diǎn)與周圍像素點(diǎn)之間的閾值選取的比較小，導(dǎo)致檢測(cè)到的角點(diǎn)數(shù)量非常多，角點(diǎn)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(diǎn)篩選標(biāo)準(zhǔn)，只有與周圍像素點(diǎn)對(duì)比比較明顯的角點(diǎn)才被判定出來(lái)。

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(lái)有效地減少偽角點(diǎn)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(diǎn)提取的準(zhǔn)確性，本文算法中通過(guò)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(diǎn)，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(cè)的準(zhǔn)確性更好。

2.2.2 可靠性比較

用檢測(cè)率來(lái)表示可靠性的大小，當(dāng)算法檢測(cè)出來(lái)的真實(shí)角點(diǎn)數(shù)在整個(gè)圖像的真實(shí)角點(diǎn)總數(shù)的比例越大時(shí)，認(rèn)為該算法越可靠，具體計(jì)算公式為

(13)

式(13)中：θ為檢測(cè)率，表示算法檢測(cè)的正確角點(diǎn)數(shù)占標(biāo)注角點(diǎn)數(shù)的比重來(lái)描述可靠性；a為正確角點(diǎn)數(shù)量；d為待測(cè)圖像的標(biāo)注角點(diǎn)數(shù)。當(dāng)θ越大，表明該算法檢測(cè)出來(lái)的真實(shí)角點(diǎn)數(shù)越多，可靠性越好，當(dāng)θ越小，表明該算法檢測(cè)出來(lái)的真實(shí)角點(diǎn)數(shù)越少，可靠性越差。將5種算法對(duì)數(shù)據(jù)庫(kù)圖像進(jìn)行30次角點(diǎn)檢測(cè)實(shí)驗(yàn)，統(tǒng)計(jì)并計(jì)算出相關(guān)平均值指標(biāo)，平均檢測(cè)率結(jié)果如表3所示。

Harris算法對(duì)圖像中的每個(gè)像素點(diǎn)都進(jìn)行角點(diǎn)判斷，通過(guò)閾值的判斷和非極大值抑制的篩選后，不容易丟失角點(diǎn)，同時(shí)可以較穩(wěn)定地檢測(cè)出角點(diǎn)，但計(jì)算量大實(shí)時(shí)性不高，而在Harris改進(jìn)算法中是通過(guò)減少初始遍歷的角點(diǎn)數(shù)來(lái)進(jìn)行修正，不可避免地丟失一些處于孤立處的角點(diǎn)，檢測(cè)率相比Harris原算法來(lái)說(shuō)沒(méi)有得到很大的提高，但加快了響應(yīng)速度。由表3角點(diǎn)平均檢測(cè)率可知Harris原算法的檢測(cè)率也并不低，4種改進(jìn)算法的檢測(cè)率都優(yōu)于Harris原算法，進(jìn)一步地提高了角點(diǎn)檢測(cè)的精確度，并且本文算法的檢測(cè)率略微好于其他3種改進(jìn)算法。

2.2.3 高效性對(duì)比

用5種算法對(duì)每張大樓建筑物圖像角點(diǎn)檢測(cè)運(yùn)行N次的平均時(shí)間作為對(duì)該圖像的角點(diǎn)檢測(cè)所需時(shí)間，當(dāng)所需時(shí)間越少，則說(shuō)明該算法的運(yùn)行速度更快、算法的高效性更好，具體計(jì)算公式為

表3 5種算法的平均檢測(cè)率Table 3 The average detection rate of the five algorithms

(14)

式(14)中:Ti為角點(diǎn)檢測(cè)算法運(yùn)行第i次的時(shí)間。將5種算法對(duì)數(shù)據(jù)庫(kù)圖像進(jìn)行30次角點(diǎn)檢測(cè)實(shí)驗(yàn)，求出5種算法的平均檢測(cè)時(shí)間，具體數(shù)據(jù)如表4所示。

由表4可知Harris原算法的運(yùn)行時(shí)間最長(zhǎng)，4種Harris改進(jìn)算法相對(duì)于Harris原算法都減少了角點(diǎn)檢測(cè)時(shí)間，提高了角點(diǎn)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(shí)時(shí)響應(yīng)、檢測(cè)速度上具有更快的優(yōu)勢(shì)。

將5種算法對(duì)30張數(shù)據(jù)庫(kù)圖像角點(diǎn)檢測(cè)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(cè)時(shí)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(shí)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(cè)帶來(lái)了困難。由表5可知，Harris原算法對(duì)30張大樓建筑物圖像角點(diǎn)檢測(cè)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(duì)大樓建筑物圖像角點(diǎn)檢測(cè)的正確率，降低了偽檢率。

本文算法結(jié)合多尺度下的角點(diǎn)檢測(cè)以及初始像素點(diǎn)預(yù)篩選，對(duì)大樓建筑物圖像角點(diǎn)檢測(cè)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(shí)檢測(cè)率代表著算法檢測(cè)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(duì)于Harris原算法來(lái)說(shuō)，檢測(cè)率提升不大，但相比之下本文算法的平均檢測(cè)率仍提升了近6.40%。結(jié)合5種算法平均檢測(cè)時(shí)間來(lái)看，可以得出在檢測(cè)率相差不大的檢測(cè)結(jié)果下，后4種算法所需時(shí)間更少，其中本文算法在初始像素點(diǎn)預(yù)篩選中使用鄰域像素點(diǎn)作差比較來(lái)代替原Harris算法中的乘法運(yùn)算，進(jìn)一步地縮短了檢測(cè)時(shí)間，綜合5種算法的平均檢測(cè)時(shí)間來(lái)看，本文的檢測(cè)時(shí)間最短，平均檢測(cè)時(shí)間提升了近21.26%，高效性最好，角點(diǎn)響應(yīng)速度更快。

本文算法提升了Harris算法的檢測(cè)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(diǎn)檢測(cè)中，可以更好地應(yīng)用于建筑物形變監(jiān)測(cè)中，擴(kuò)展了Harris算法的應(yīng)用范圍。近年來(lái)，研究者們對(duì)Harris算法不斷進(jìn)行改進(jìn)，應(yīng)用于不同的實(shí)際背景中。如蔡欣展等[24]通過(guò)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(guò)K-means聚類分割算法進(jìn)行特征提取，再利用Harris算法對(duì)小麥苗莖基部端點(diǎn)進(jìn)行識(shí)別，實(shí)現(xiàn)了大田小麥基本苗的快速、精確、智能化監(jiān)測(cè)識(shí)別。周偉等[26]通過(guò)多邊形逼近方法提取目標(biāo)輪廓拐角頂點(diǎn)和最小二乘法對(duì)最長(zhǎng)邊頂點(diǎn)進(jìn)行直線擬合的改進(jìn)，提高了對(duì)芯片圖像的快速校正效率。苗榮慧等[27]通過(guò)提出一種基于圖像塊改進(jìn)Harris角點(diǎn)檢測(cè)的農(nóng)田圖像拼接算法，旨在構(gòu)造大視場(chǎng)的農(nóng)田圖像。而本文算法改進(jìn)了Harris算法的檢測(cè)精度和響應(yīng)速度，在對(duì)建筑物形變監(jiān)測(cè)中有著較好的檢測(cè)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(cè)，擴(kuò)展了算法的實(shí)際應(yīng)用領(lǐng)域。

3 算法誤差分析

圖1～圖5即5種算法對(duì)順序排列的1～30張圖像進(jìn)行角點(diǎn)檢測(cè)的實(shí)驗(yàn)結(jié)果圖，從圖1～圖5中可以看出本文算法對(duì)大樓建筑物圖像的角點(diǎn)檢測(cè)圖相比Harris原算法和3種改進(jìn)算法來(lái)說(shuō)大部分檢測(cè)效果較好，但也存在少數(shù)檢測(cè)效果較差的結(jié)果圖，本節(jié)特列舉3張典型的實(shí)驗(yàn)結(jié)果圖進(jìn)行分析說(shuō)明，如圖6～圖8所示。

由圖6可知，在圖像25的角點(diǎn)檢測(cè)中Harris原算法存在角點(diǎn)聚簇現(xiàn)象嚴(yán)重，檢測(cè)時(shí)間較長(zhǎng)等缺點(diǎn)。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(cè)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(diǎn)預(yù)篩選灰度計(jì)算時(shí)，角點(diǎn)和周圍鄰域內(nèi)的像素點(diǎn)之間的灰度差較大，此時(shí)算法檢測(cè)到過(guò)多的偽角點(diǎn)，導(dǎo)致角點(diǎn)聚簇現(xiàn)象嚴(yán)重，由圖6(e)可知角點(diǎn)聚簇現(xiàn)象嚴(yán)重，檢測(cè)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(diǎn)檢測(cè)的旋轉(zhuǎn)不變性，角點(diǎn)檢測(cè)的準(zhǔn)確度得到改善，但丟失了大量真實(shí)角點(diǎn)。文獻(xiàn)[22]算法中引入加權(quán)均值濾波函數(shù)進(jìn)行角點(diǎn)篩選，進(jìn)一步減少了角點(diǎn)聚簇現(xiàn)象，但仍存在較多偽角點(diǎn)。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(diǎn)，但明顯檢測(cè)到的真實(shí)角點(diǎn)數(shù)也大量減少。

圖6 圖像25的5種算法角點(diǎn)檢測(cè)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(diǎn)檢測(cè)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(diǎn)檢測(cè)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(duì)圖像28角點(diǎn)檢測(cè)時(shí)同樣存在角點(diǎn)聚簇現(xiàn)象嚴(yán)重，準(zhǔn)確度較差，運(yùn)算時(shí)間較長(zhǎng)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(shí)時(shí)性，但由圖7(b)可知丟失了大量角點(diǎn)。文獻(xiàn)[22]算法引入加權(quán)均值濾波進(jìn)一步提高了角點(diǎn)檢測(cè)的抗噪能力和實(shí)時(shí)性，從圖7(c)中可以清晰地看到角點(diǎn)聚簇現(xiàn)象得到很大改善，角點(diǎn)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(duì)圖像28角點(diǎn)檢測(cè)的準(zhǔn)確度，但同樣丟失了對(duì)大量真實(shí)角點(diǎn)的檢測(cè)。由圖7對(duì)比可知本文算法雖角點(diǎn)聚簇現(xiàn)象較為嚴(yán)重，但檢測(cè)出了其他3種改進(jìn)算法沒(méi)有檢測(cè)到的角點(diǎn)，檢測(cè)率得到提高。

如圖8所示，5種算法對(duì)圖像6的角點(diǎn)檢測(cè)效果都較差，圖像6在拍攝時(shí)離相機(jī)較遠(yuǎn)，光線較暗，關(guān)鍵角點(diǎn)信息難以檢測(cè)出來(lái)，算法改進(jìn)后依然無(wú)法將大部分角點(diǎn)檢測(cè)出來(lái)，圖像11、圖像20、圖像27情況類似，由于圖像拍攝時(shí)成像較差，導(dǎo)致角點(diǎn)檢測(cè)效果很差。所以在實(shí)際大樓建筑物的形變監(jiān)測(cè)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(diǎn)檢測(cè)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(cè)的實(shí)際需求出發(fā)，通過(guò)攝影成像的方法進(jìn)行角點(diǎn)檢測(cè)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(diǎn)檢測(cè)算法。首先通過(guò)引入高斯核函數(shù)進(jìn)行卷積操作實(shí)現(xiàn)在多種尺度下角點(diǎn)檢測(cè)的目標(biāo)，然后通過(guò)對(duì)待測(cè)像素點(diǎn)與其周圍8鄰域像素點(diǎn)進(jìn)行作差篩選像素點(diǎn)以減少計(jì)算量，最后再利用最小核值相似區(qū)的思想進(jìn)行角點(diǎn)篩選提升角點(diǎn)檢測(cè)的精度。實(shí)驗(yàn)結(jié)果表明，本文算法相比Harris算法及其他改進(jìn)算法來(lái)說(shuō)更能準(zhǔn)確提取出大樓建筑物的角點(diǎn)，正確率平均提升了近15%，平均檢測(cè)時(shí)間縮短了近21%，可以更好地適用于大樓建筑物的形變檢測(cè)實(shí)際應(yīng)用中，提高其形變檢測(cè)的準(zhǔn)確性和檢測(cè)速度，擴(kuò)大實(shí)際應(yīng)用范圍。