特徵點：檢測子（給一副影象找到特徵點的位置）+描述子（特徵向量，用於特徵匹配）
一、影象特徵介紹1、影象特徵點的應用相機標定：棋盤格角點陰影格式固定，不同視角檢測到點可以得到匹配結果，標定相機內參影象拼接：不同視角匹配恢復相機姿態稠密重建：間接使用特徵點作為種子點擴散匹配得到稠密點雲場景理解：詞袋方法，特徵點為中心生成關鍵詞袋（關鍵特徵）進行場景識別2、影象特徵點的檢測方法人工設計檢測演算法：sift、surf、orb、fast、hog基於深度學習的方法：人臉關鍵點檢測、3D match點雲匹配場景中的人工標記點：影視場景背景簡單的標記，特殊二維碼設計（快速，精度低）3、影象特徵點的基本要求差異性：視覺上場景上比較顯著點，灰度變化明顯，邊緣點等重複性：同一個特徵在不同視角中重複出現，旋轉、光度、尺度不變性二、特徵檢測子1、Harris 角點檢測（早期，原理簡單，影片跟蹤，快速檢測）https://zhuanlan.zhihu.com/p/90393907
反映特徵值情況，trace為跡k的值越小，檢測子越敏感只有當λ1和λ2同時取得最大值時，C才能取得較大值避免了特徵值分解，提高檢測計算效率非極大值抑制(Non-maximal Suppression) 選取區域性響應最大值，避免重複的檢測檢測結果：
2、基於LoG的多尺度特徵檢測子動機：Harris角點檢測不具有尺度不變性，讓特徵點具有尺度不變性解決方法：尺度歸一化LoG運算元，處理尺度的變化LoG運算元：Lindeberg(1993)提出Laplacian of Gaussian (LoG)函式的極值點對應著特徵點尺度空間：
特徵點位置的確定：1）尺度空間和影象空間上：3*3視窗，26個鄰域，找極值點比其他都要大DoG，LoG找極大值或極小值2）橫軸向代表離散位置，縱軸代表DoG響應值，在極值點鄰域內求二階函式的極值=準確畫素位置4、快速特徵點檢測方法：——實時性要求高FAST特徵點[3]：Feature from Accelerated Segment Test特性：透過檢測區域性畫素灰度變化來確認特徵點的位置，速度快，SIFT的100倍；不具有尺度和旋轉不變性流程：1）以候選點p為圓心構建一個離散圓2）比較圓周上的畫素與p點畫素值3）當有連續的n個畫素值明顯亮於或者暗於p時，p被檢測為特徵點，例Fast9,Fast12檢測：三、特徵描述子特徵描述子 Feature Descriptor每個特徵點獨特的身份認證同一空間點在不同視角的特徵點具有高度相似的描述子不同特徵點的的描述子差異性儘量大通常描述子是一個具有固定長度的向量特徵支援區域主方向:進行旋轉並重新插值特徵尺度:影響支援區域的大小1、基於直方圖的描述子（2）
統計區域性梯度資訊流程：1）將區域劃分成4x4的block ；2）每個block內統計梯度方向 的直方圖(高斯加權梯度作為係數)（2）Sift描述子——生成描述子
（2）Sift描述子——歸一化處理
處理方式1）門限處理-直方圖每個方向的梯度幅值不超過0.22）描述子長度歸一化特性：歸一化處理提升了特徵點光度變化的不變性SIFT描述子變種：PCA-SIFT/SURF（3）GLOH描述子[5]：Gradient Location-orientation Histogram
一共有1+2x8=17 個blocks每個blocks計算16個方向的直方圖描述子共16x17=272維透過PCA可以降維到128（4）DAISY描述子[6]：每個圓的半徑對應高斯的尺度
2、基於不變性的描述子3、二進位制描述子——BRIEF四、特徵匹配計算兩幅影象中特徵描述子的匹配關係
1、距離度量
歸一化互相關，1 ->非常匹配，0->不匹配
2、匹配策略最近鄰：加了距離約束，防止孤立點
3、高效匹配4、特徵匹配驗證參考T. Lindeberg. Detecting salient blob-like image structures and their scales with a scalespace primal sketch: A method for focus-of-attention. International Journal of Computer Vision, 11(3):283–318, Dec. 1993.T. Lindeberg. Feature detection with automatic scale selection. International Journal of Computer Vision, 30(2):79–116, Nov. 1998.E. Rosten and T. Drummond. Fusing points and lines for high performance tracking. In IEEE International Conference on Computer Vision (ICCV), 2005.Scharstein, D. and Szeliski, R. (2002). A taxonomy and evaluation of dense two-framestereo correspondence algorithms. International Journal of Computer Vision, 47(1):7–42.Mikolajczyk, K. and Schmid, C. (2005). A performance evaluation of local descriptors.IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(10):1615–1630.S. Winder and M. Brown. Learning local image descriptors. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2007.End