角点（corner point）、关键点(key point)、特征点(feature point)概念辨析

1、角点（Corner Point)

       通常意义上来说，角点就是极值点，即在某方面属性特别突出的点，是在某些属性上强度最大或者最小的孤立点、线段的终点。 对于图像而言，如图所示圆圈内的部分，即为图像的角点，其是物体轮廓线的连接点。

关于角点的具体描述可以有几种：

• 一阶导数(即灰度的梯度)的局部最大所对应的像素点；
• 两条及两条以上边缘的交点；
• 图像中梯度值和梯度方向的变化速率都很高的点；
• 角点处的一阶导数最大，二阶导数为零，指示物体边缘变化不连续的方向。

图1.1 角点检测基本思想

        角点检测算法基本思想是使用一个固定窗口（取某个像素的一个邻域窗口）在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。

       角点是图像很重要的特征，对图像图形的理解和分析有很重要的作用。角点在保留图像图形重要特征的同时,可以有效地减少信息的数据量，使其信息的含量很高，有效地提高了计算的速度,有利于图像的可靠匹配,使得实时处理成为可能。   对于同一场景，即使视角发生变化，通常具备稳定性质的特征。我们可以利用这一稳定的性质将角点应用三维场景重建运动估计，目标跟踪、目标识别、图像配准与匹配等计算机视觉领域。

图1.2 角点匹配

角点匹配（corner matching）是指寻找两幅图像之间的特征像素点的对应关系，从而确定两幅图像的位置关系。如上图所示，即为对两幅不同视角的图进行角点匹配，检测出来之后可以对其进行后续的处理工作。角点匹配可以分为以下三个步骤：

1、检测子（detector）提取：在两张待匹配的图像中寻找那些最容易识别的像素点(角点)，比如纹理丰富的物体边缘点等。其提取方法有SIFT算法、Harris算法、FAST算法。

2、描述子（descriptor）提取：对于检测出的角点，用一些数学上的特征对其进行描述，如梯度直方图，局部随机二值特征等。其提取算法有邻域模板匹配、SIFT特征描述子、ORB特征描述子。

3、匹配：通过各个角点的描述子来判断它们在两张图像中的对应关系。常用方法有暴力匹配、KD树等。

2、关键点(Key point)

       关键点是个更加抽象的概念，对于图像处理，其一般来说可以是对于分析问题比较重要的点。在提取关键点时，边缘应该作为一个重要的参考依据，但一定不是唯一的依据，对于某个物体来说关键点应该是表达了某些特征的点，而不仅仅是边缘点。只要对分析特定问题有帮助的点都可以称其为关键点。

3、特征点（feature point）

        在图像处理中，所谓“特征点”，主要指的就是能够在其他含有相同场景或目标的相似图像中以一种相同的或至少非常相似的不变形式表示图像或目标，即是对于同一个物体或场景，从不同的角度采集多幅图片，如果相同的地方能够被识别出来是相同的，则这些点或块称为特征点。

       总的说来，特征点、角点、关键点，这些概念虽然有细节上的不同，但都可以统一称为特征点或者关键点，也就是具有特征性质的点，通常在论文里看到的landmark也可以被视为特征点，比如人脸特征检测（face feature detection）也称为 “facial landmark detection”、“facial keypoint detection”。 因此，今后在看到以上几个概念key point、feature point、landmark时时，要知道其就是所谓的特征点。

参考文献：

1. 局部特征——角点检测（Harris，Shi-Tomasi）

2.特征点的基本概念和如何找到它们

3.Visual SLAM前端技术 - 特征检测与匹配

4.图像处理理论（六）——Harris, Eigenface