我正在尝试优化我的harris角点检测器，以使其足够快的实时特征提取，最终将用于slam应用。
传统的harris角点检测器遵循以下步骤：
使用图像卷积核（k_dx和k_dy）计算图像导数（梯度）ix和iy。
计算二阶导数ixx=ix^2，iyy=iy^2，ixy=ix*iy。
使用高斯核（k_-Gaussian）过滤步骤2中的三个二阶导数。
使用文献中的公式计算harris响应。
到现在为止，一直都还不错。我已经实现了上述步骤，并有一个工作程序但是我们知道卷积是一个交换代数，意思是：
f#g=g#f
f（g h）=（f g）h
f（g+h）=（f g）+（f h）
常数*（f g）=（常数*f）g
其中（）是卷积运算。
因此本质上我们可以将不同的核结合起来以减少计算时间。
我希望利用这个优势，将步骤（1）中使用的图像梯度核与步骤（3）中使用的高斯核结合起来，以减少计算时间不幸的是，步骤（2）阻止了我这样做，因为：
[（im_k_u dx）^2]k_u高斯=！（IM#k#dx#k#高斯）^2
其中im是图像。所以这两个内核不能合并。
我的问题是：有办法做到这一点还是根本不可能？如果这是不可能的，那么有没有一种方法来计算组合的内核近似真实答案。即使它是一个差的近似，它可能是值得的，以降低计算成本。
如果你想知道的话，我已经在用CUDA在GPU上进行图像卷积了，而且角点检测器已经相当快了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段。
最佳答案
不能用卷积直接组合核。ixx=ix^2，iyy=iy^2和ixy=ix*iy不是通过卷积找到的（它不是线性的）。
优化的一些技巧可以在“LOCOCO：低复杂度角点检测器”中找到