关于特征检测
进行特征检测的一个重要方面是要进行特征循迹，也就是feature tracking
我们说边缘检测不能做为一种很好的特征点的原因就是，当运动恰好沿着边沿的方向时，这个时候利用边沿信息是无法进行特征点循迹的，因为延边沿方向移动时你甚至看不出来相机在移动
利用角点检测效果会好一些。
从数学角度上而言，角点是在不同的方向上与周围像素都有变化的，也就是说在不同方向上有一阶导存在，那么当相机在移动时，不同方向的移动后，角点的位置也跟着不同方向的移动，这时对照原来的位置会发现有区别，
而边沿检测应该是角点检测的一种退化模型，其仅仅在一个方向上有变化，所以只在该方向上有一阶导数
Harris 算子是一种有效的点特征提取算子,其优点总结起来有: ①计算简单:Harris 算子中只用到灰度的一阶差分以及滤波,操作简单。②提取的点特征均匀而且合理:Harris 算子对图像中的每个点都计算其兴趣值,然后在邻域中选择最优点。实验表明,在纹理信息丰富的区域,Harris 算子可以提取出大量有用的特征点,而在纹理信息少的区域,提取的特征点则较少。③稳定:Harris算子的计算公式中只涉及到一阶导数，因此对图像旋转、灰度变化、噪声影响和视点变换不敏感,它也是比较稳定的一种点特征提取算子。
Harris 算子的局限性有：①它对尺度很敏感，不具有尺度不变性。②提取的角点是像素级的。
SIFT算法的特点有：
1. SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；
2. 独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；
3. 多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；
4. 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；
5. 可扩展性，可以很方便的与其他形式的特征向量进行联合。
SIFT算法可以解决的问题：
目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决：
1. 目标的旋转、缩放、平移（RST）
2. 图像仿射/投影变换（视点viewpoint）
3. 光照影响（illumination）
4. 目标遮挡（occlusion）
5. 杂物场景（clutter）