基本思想：

使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。

cornerHarris(src, blockSize, ksize,k[,dst[,borderType]])

参数详解:

• image:输入的单通道8位或者浮点图像；
• blockSize：就是扫描时候窗口的大小。
• ksize：cornerHarris函数会使用Sobel算子，该参数定义了Sobel算子的中孔。简单来说，该函数定义了角点检测的敏感度，其值必须介于3~31之间的奇数。
• k：harris 计算响应公式中的kk值，一般取0.04~0.06；
• borderType：像素插值方法；

函数 cornerHarris 对输入图像进行 Harris 边界检测。输出是一幅浮点值图像，大小与输入图像大小相同，浮点值越高，表明越可能是特征角点(我们可以对图像进行阈值化)。

 Python实现：

import cv2
import numpy as np

img = cv2.imread('chessboard.png')
img = cv2.resize(img, dsize=(600, 400))
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)
# 角点检测 第三个参数为角点检测的敏感度，其值必须介于3~31之间的奇数
dst = cv2.cornerHarris(gray, 3, 23, 0.04)
print(dst.shape)  # (400, 600)
img[dst > 0.01 * dst.max()] = [0, 0, 255]
cv2.imshow('', img)
cv2.waitKey()

实现结果：