進行特徵檢測的乙個重要方面是要進行特徵循跡，也就是feature tracking
我們說邊緣檢測不能做為一種很好的特徵點的原因就是，當運動恰好沿著邊沿的方向時，這個時候利用邊沿資訊是無法進行特徵點循跡的，因為延邊沿方向移動時你甚至看不出來相機在移動
利用角點檢測效果會好一些。
從數學角度上而言，角點是在不同的方向上與周圍畫素都有變化的，也就是說在不同方向上有一階導存在，那麼當相機在移動時，不同方向的移動後，角點的位置也跟著不同方向的移動，這時對照原來的位置會發現有區別，
而邊沿檢測應該是角點檢測的一種退化模型，其僅僅在乙個方向上有變化，所以只在該方向上有一階導數
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、雜訊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。
sift演算法的特點有：
1. sift特徵是影象的區域性特徵，其對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、雜訊也保持一定程度的穩定性；
2. 獨特性（distinctiveness
）好，資訊量豐富，適用於在海量特徵資料庫中進行快速、準確的匹配；
3. 多量性，即使少數的幾個物體也可以產生大量的sift
特徵向量；
4. 高速性，經優化的sift
匹配演算法甚至可以達到實時的要求；
5. 可擴充套件性，可以很方便的與其他形式的特徵向量進行聯合。
sift演算法可以解決的問題：
目標的自身狀態、場景所處的環境和成像器材的成像特性等因素影響影象配準/
目標識別跟蹤的效能。而
sift
演算法在一定程度上可解決：
1. 目標的旋轉、縮放、平移（
rst）
2. 影象仿射
/投影變換（視點
viewpoint）
3. 光照影響（
illumination）
4. 目標遮擋（
occlusion）
5. 雜物場景（
clutter）
Surf特徵檢測
原文 對於其原理我還沒看過，只是略知道是特徵點檢測的，最近同學用到需要將檢測到的匹配的特徵點輸出來，這才看了一下函式的介面，如果以後用到了原理，再去研究和學習一下，這裡對 進行一下備份 cpp view plain copy include include include opencv2 core ...
Feature Detection 特徵檢測
邊緣檢測 但這樣得到的二值邊緣影象有兩大缺點。第一 檢測到的邊緣過粗，這意味著難以實現物體的精確定位 第二 難以找到這樣的閥值，即能足夠低檢測到所有重要的邊緣，同時也不至於包含過多次要的邊緣。這個正是canny運算元要解決的。canny 運算元通常基於sobel運算元，有兩個閥值，這樣可以得到兩幅邊...
HOG特徵檢測
hog特徵檢測，它是通過計算區域性區域的梯度方向直方圖來構成特徵。其中檢測視窗win 塊block 單元格cell的基本資訊 1 大小 a 檢測視窗 winsize 128 64畫素，在影象中滑動的步長是8畫素 水平和垂直都是 b 塊 blocksize 16 16畫素，在檢測視窗中滑動的步長是8畫...