文档介绍：图像局部特征点检测算法综述
研究图像特征检测已经有一段时间了，图像特征检测的方法很多，又加上各种算法的变形，所以难以在短时间全面的了解，只是对主流的特征检测算法的原理进展了学****总体来说，图像特征可以包括颜色特征、纹理特等、形状特征以RF
详细的算法描述参考：1. SURF算法与源码分析、上？ 2. SURF算法与源码分析、下
2006年，Bay和Ess等人基于SIFT算法的思路，提出了加速鲁棒特征〔 SURF〕，该算法主要针对于 SIFT算法速度太慢，计算量大的缺点，使用了近似 Harr小波方法来提取特
征点，这种方法就是基于 Hessian行列式〔DoH〕的斑点特征检测方法。通过在不同的尺
度上利用积分图像可以有效地计算出近似 Harr小波值，简化了二阶微分模板的构建，搞高
了尺度空间的特征检测的效率。
SURF算法在积分图像上使用了盒子滤波器对二阶微分模板进展了简化，从而构建了
Hessian矩阵元素值，进而缩短了特征提取的时间，提高了效率。其中 SURF算法在每个尺
度上对每个像素点进展检测，其近似构建的 Hessian矩阵及其行列式的值分另为：
其中Dxx,Dxy和Dyy为利用盒子滤波器获得的近似卷积值。如果 c(x,y, 4大于设置的
门限值，那么判定该像素点为关键字。然后与 SIFT算法近似，在以关键点为中心的 3X3
X3像素邻域进展非极大值抑制，最后通过对斑点特征进展插值运算，完成了 SURF特征
点的准确定位。
而SURF特征点的描述，那么也是充分利用了积分图，用两个方向上的 Harr小波模
板来计算梯度，然后用一个扇形对邻域点的梯度方向进展统计，求得特征点的主方向。
.角点检测的原理与举例
角点检测的方法也是极多的，其中具有代表性的算法是 Harris算法与FAST算法。
这两个算法我都有专门写过博文来描述其算法原理。 Harris角点和FAST特征点检测。
Harris角点特征提取
Harris角点检测是一种基于图像灰度的一阶导数矩阵检测方法。检测器的主要思想是
局部自相似性/自相关性，即在某个局部窗口图像块与在各个方向微小移动后的窗口图像块的相似性。
在像素点的邻域，导数矩阵描述了数据信号的变化情况。假设在像素点邻域任意方向上移动块区域，假设强度发生了剧烈变化，那么变化处的像素点为角点。定义 2X2的
Harris矩阵为：
4, 、 k f J 砥为 C©⑺][a M 场)=C叫GC网C加)卜1」
其中，Cx和Cy分别为点x=(x,y)在x和y方向上的强度信息的一阶导数，w (x,y)为对
应位置的权重。通过计算 Harris矩阵的角点响应值 D来判断是否为角点。其计算公式为：
D = detA — m(traceA)2 = (ac - b)z — m(Q + c)2
其中，det和trace为行列式和迹的操作符， $m$〜。当角点响
应值大于设置的门限，且为该点邻域的局部最大值时，那么把该点当作角点。
FAST角点特征提取
基于加速分割测试的 FAST算法可以快速地提取出角点特征。该算法判断一个候选点
p是否为角点，依据的是在一个像素点 p为圆心，半径为 3个像素的离散化 Bresenllam圆
周上，