角点检测(兴趣点、关键点、特征点)是计算机视觉系统中用来获得图像特征的一种方法，
广泛用于运动检测、图像匹配、视频跟踪、三维重建和目标识别等领域中，也称为特征点检测。
角点：一般将图像中亮度变化剧烈的点或图像边缘上曲率取极大值的点认为是角点。角点作为图像的重要特征，保留了图像绝大部分的特征信息，又有效地减少了信息的数据量从而有效地提高了运算速度以及匹配的可靠性。
1 Moravec算子
2 Harris算子
3 SUSAN算子
4 FAST算子
FAST角点算子具有平移和旋转不变性、可靠性高、对噪声鲁棒性好、计算量小。
局部显著性探测：特征点、特征线、特征块
点探测总结（SIft、PCA-SIft、Surf、GLOH、Brief、Brisk、ORB、Freak）
特征点寻找的准则之一是算法的通用准则—泛化性能，即在一个场景中中适用，在另一个场景中也具有相似的效果。而在CV领域，专门对于图像处理问题，应对图像的缩放、平移、旋转、明暗问题，进而提出了特征描述算法的相应要求：缩放不变性、平移不变性、旋转不变性和光照不变性。广受好评SIFT特征在综合评价上几乎达到算法极限，其中图像金字塔、寻找主方向、计算图像梯度，分别应对缩放不变、旋转不变、和光照不变，而同时局部特征用于模式识别不需要考虑相对平移的影响。
SIFT特征
Sift是David Lowe于1999年提出的局部特征描述子，并于2004年进行了更深入的发展和完善。Sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力。在Mikolajczyk对包括Sift算子在内的十种局部描述子所做的不变性对比实验中，Sift及其扩展算法已被证实在同类描述子中具有最强的健壮性。
一、Sift特征点生成的主要步骤
1)、尺度空间的生成；
2)、检测尺度空间极值点；
3)、精确定位极值点；
4)、为每个关键点指定方向参数；