我们想要做图像匹配，比如拍了两张照片，怎样确定它们中的某些其实是一个东西，这对定位啊拼接啥的很有帮助
为了匹配我们最好不要用全局特征，显然用局部特征能更好地完成这一目标，因为这可以提高诸如遮挡啊、角度方向变化等的鲁棒性
一个大致的方法如下：
（1）首先找一些独特的点（特征点）
（2）在上述关键点附近定义一个区域
（3）从这个区域提起并归一化信息
（4）从这个归一化的区域中计算局部特征
（5）匹配这个局部特征
那么问题来了：
我们怎样在两幅不同的图上找到相同的点？
所以我们需要一个“可重复”的检测器
假设我们解决了这个问题，即在两幅不同的图上我们找到了同样的点，那么我们怎么将它们一一对应？
所以我们需要一个点区别度高的检测器。
再然后，我们对特征点周围的区域特征提取，要求准确、可重复，对下面的一些情况要有较好的应对能力：
旋转、相似、仿射变换、光照、噪声等等
特征因为是局部的，所以对一些遮挡啊、聚群有很好的应对能力，同时我们要求这个特征要多，要有足够的区分度（来标识这是个啥），要高效（最好达到实时性）。
比较著名的几种特征点检测
Harris角点检测
显然角点（类似桌子的角那种点）满足可重复、足够区分度的特征，所以这解决我们的问题一。
所以我们怎样找到角点呢
其实很简单，我们弄一个小框框，往各个方向移动，如果怎样移动框框里的光强都不变，那么显然这是在一个区域里，如果只在某一个方向上动框框光强不变，那么这就是一个边，如果任意方向移动都变，那就是角点啦。
这里我们可以做一个差分近似
窗函数我们可以选
窗函数是左边的时候，M可以简化为
如果采用矩形框滤波器的情形，对旋转的鲁棒性不好，而如果用高斯滤波器框，则解决这一问题。
我们来理解一下这个M矩阵啊，挺重要的
如果是角点，那么要求x、y方向的梯度都很大，也即对角线上的值都很大于0。
然而这是两条边都在x、y轴上的情况。对于一般情况，我们这样处理
显然M是一个对称矩阵，所以我们可以对其进行特征值分解
则我们得到两个特征值和两个向量（在M里），特征值大的变化快，小的变化慢
所以转化为上述对齐的情况我们可以有以下结论
我们定义角点相应函数
则
显然行列式可以直接求而不用特征值分解了
最终Harris角点方法总结如下：
哈里斯角点实测结果——Perfect！
然后我们就可以利用Harris角点做全景图拼接了！
找到特征点
把特征点配对
用配对的特征点进行对齐操作
重要——Harris角点的特征##
对于平移、旋转有很好的鲁棒性
但是！对大小缩放不具有鲁棒性！角放大后而选的框框不变则有可能变成边！
