优化哈里斯角点探测器

Question

我正在尝试优化我的Harris角点检测器，使其足够快，以便最终用于SLAM应用程序的实时特征提取。

传统的哈里斯角探测器遵循以下步骤：

1. 使用图像卷积核（ k_dx 和 k_dy ）计算图像导数（渐变）Ix和Iy。
2. 计算二阶导数Ixx = Ix ^ 2，Iyy = Iy ^ 2和Ixy = Ix * Iy。
3. 使用高斯核（ k_gaussian ）过滤步骤2中的三个二阶导数。
4. 使用文献中所述的公式计算Harris响应。

到目前为止一切顺利。我已经实施了上述步骤并制定了工作计划。但是我们知道卷积是一个可交换的代数，意思是：

1. f＃g = g＃f
2. f＃（g＃h）=（f＃g）#h
3. f＃（g + h）=（f＃g）+（f＃h）
4. 常数*（f＃g）=（常数* f）#g

其中（＃）是卷积运算。

因此，本质上我们可以组合各种内核以减少计算时间 我希望利用这个优势将步骤（1）中使用的图像梯度内核与步骤（3）中使用的高斯内核相结合，以减少计算时间。不幸的是，第（2）步阻止了我这样做，如：  [（ IM ＃ k_dx ）^ 2]＃ k_gaussian =！ （ IM ＃ k_dx ＃ k_gaussian ）^ 2

其中 IM 是图片。所以这两个内核无法组合。

我的问题：有没有办法做到这一点，还是根本不可能？如果不可能，那么有没有办法计算近似真正答案的组合内核。即使它是一个很差的近似值，也可能值得降低计算成本。

如果您想知道，我已经在使用CUDA在GPU上执行我的图像卷积并且角点检测器已经相当快。但我需要进一步改进它，以便为剩余的SLAM算法分配更大的时间片。

Answer 1

使用卷积的内核的直接组合是不可能的。卷积不能找到Ixx = Ix ^ 2，Iyy = Iy ^ 2和Ixy = Ix * Iy（它不是线性的）。

优化的一些技巧可以在“LOCOCO：低复杂度角探测器”中找到