角點檢測：

       角點：最直觀的印象就是在水平、豎直兩個方向上變化均較大的點，即Ix、Iy都較大 。
        邊緣：僅在水平、或者僅在豎直方向有較大的變化量，即Ix和Iy只有其一較大。
        平坦地區：在水平、豎直方向的變化量均較小，即Ix、Iy都較小。

一：Harris角點檢測

        用 Harris 演算法進行檢測，有三點不足：（1）不具有尺度不變性；（2）提取的角點是畫素級的；（3）演算法檢測時間較長，實時應用效果較差。

        Harris 運算元是一種有效的點特徵提取運算元,其優點總結起來有: ①計算簡單:Harris 運算元中只用到灰度的一階差分以及濾波,操作簡單。②提取的點特徵均勻而且合理:Harris運算元對影象中的每個點都計算其興趣值,然後在鄰域中選擇最優點。實驗表明,在紋理資訊豐富的區域,Harris 運算元可以提取出大量有用的特徵點,而在紋理資訊少的區域,提取的特徵點則較少。③穩定:Harris運算元的計算公式中只涉及到一階導數，因此對影象旋轉、灰度變化、噪聲影響和視點變換不敏感,它也是比較穩定的一種點特徵提取運算元。

        Harris 運算元的侷限性有：①它對尺度很敏感，不具有尺度不變性。②提取的角點是畫素級的。

二：KLT角點檢測

        KLT角點檢測方法最初是用於滿足Lucas-Kanade光流法選擇合適特徵點的需求，Lucas-Kanade光流法是通過先在前後兩幀影象裡分別建立一個固定大小視窗，然後找到讓兩個視窗間畫素強度差的平方和最小的位移。然後將視窗內畫素的移動近似為這樣的位移向量，然後實際上，一方面畫素移動並不會那麼簡單，另一方面視窗內畫素並不都是同樣的移動方式，因為這樣的近似必然會帶來誤差。而現在的問題就是如何去選擇合適的視窗，或者特徵點，從而獲得最為精確的跟蹤。KLT

三：SIFT角點檢測

        尺度不變特徵變換（Scale-invariantfeature transform），主要特點在於其多尺度資訊描述，能夠有效描述縮放，並且對 影象旋轉、亮度、仿射變換、視角變化具有很好的適應性。

SIFT演算法還具有如下一些特點：

1. 資訊量豐富，即使少數的幾個物體也可以產生大量的SIFT特徵向量；

2. 特徵區分度大，適用於在海量特徵資料庫中進行快速、準確的匹配；

3. 速度快，加速的SIFT演算法可以達到實時。

        演算法首先要理解多尺度（多個解析度）的概念，也就是我們常說的影象金字塔

        右側是我們常說的高斯金字塔，所謂高斯金字塔在於上一級影象通過下一級影象進行高斯濾波得到，英文Octave是音樂上一個八度的意思，這裡引申為一組解析度相同的影象，一個Octave組採用了不同的高斯函式進行濾波，因此其模糊程度不一樣，不同組的影象具有不同的解析度（按照1/2降取樣得到）。

        SIFT演算法本質在於提取影象關鍵點，也就是在不同尺度空間下具有方向資訊的區域性極值點。（這些點不會因光照條件的改變而消失，比如角點、邊緣點、暗區域的亮點以及亮區域的暗點）

        SIFT演算法可以描述為以下步驟：

1.構建尺度空間

    根據高斯濾波處理輸入影象，得到高斯金字塔，並建立如上圖所示的高斯差分金字塔（DOG）；

2.極值點檢測

    候選點P與同一尺度，上下相鄰兩尺度空間內相鄰的 26 個畫素點進行比較，以確保在影象空間和尺度空間都檢測到區域性極值；

3.關鍵點篩選

    選取在不同尺度（或者叫解析度）下同時存在的極值點，稱之為匹配點，匹配點不會因為尺度變化而消失。

四：SUSAN角點檢測

        SUSAN是基於畫素領域包含若干元素的近似圓形模板，對每個畫素基於該模板領域的影象灰度計算角點響應函式（CRF），如果大於某閾值且為區域性極大值，則認為該點為角點。角點的精度與圓形模板大小無關，圓形模板越大，檢測的角點數越多，則計算量也越大。

        SUSAN角點檢測可以參考OpenCV程式碼，其檢測效果如下：