最近，在看一些特征点检测与描述方面的内容，也是第一次接触这方面的内容，简单记录一下有关特征点检测与描述的经典算法，不做详细描述。
1 研究背景
图像匹配，也称图像配准，是计算机视觉领域一个热点研究方向之一，需要在两幅或者多幅图像中识别并对应相同或者相似的结构或者内容。该技术可以用于信息识别和融合，例如三维重建、多模态、目标识别与跟踪、图像融合、视觉同步定位和映射（VSLAM）以及虚拟现实等领域。
图像匹配常用的方法可以分为基于区域和基于特征的方法，基于区域的方法是在原始图像中通过像素强度之间的相似性度量或者在预定义大小的滑动窗口或者整幅图像像素域上的信息来对两幅图像进行配准。基于特征的方法首先要在图像上查找特征点，然后利用这写特征点在其余图像上进行查找和匹配相对应的点，以此来建立两幅或者多幅图像之间的对应关系。
由于基于特征的图像匹配方法灵活性和鲁棒性好，因此基于特征的方法研究较多。基于特征的方法主要技术是特征点的检测与描述，检测可以提取出图像的关键的信息和结构，而描述可以通过图像编码和相似性度量对图像进行表示。
2 常用算法
特征点检测与匹配的方法可以分为基于传统的方法和基于深度学习的方法，基于传统的方法主要有Harris、SIFT、ORB、SURF等；基于深度学习的方法主要包括TCDet、Quad-Net、MatchNet、SuperPoint等
2.1 基于传统的特征点检测与描述
根据特征点的形状的可以将特征点检测与描述分为斑点特征和角点特征两大类。斑点特征通常为一个小的区域，表示局部区域与周围的颜色和灰度差异，稳定性和抗噪能力一般更好。角点特征是两条边的角点。
（1）角点特征
1977年，Moverec首次提出了“兴趣点”这一概念来定义那些与众不同的点，基于局部强度对这些特征点进行提取。1988年，Harris在Moverec算子的基础上提出了Harris角点，Harris角点可以对图像的灰度变化以及旋转保持一定的不变性。随后，Lowe提出了著名的尺度不变特征变换算法（Scale-invariant feature transform， SIFT），该算法具有旋转不变性、尺度不变性、仿射不变性以及较好的抗噪能力。由于SIFT出色的性能，后续有许多算法都是在SIFT基础上改进的，例如PCA-SIFT、SURF、ASIFT、KAZE等比较出名的算。
（2）斑点特征
1997年，Smith等人提出了SUSAN角点检测算法，该算法对噪声鲁棒性强，角点位置提取准确。随后，Edward等人提出了著名快速检测算法FAST，该算法检测速度与其他算法相比可以快很多倍，但是该算法只进行检测不进行描述。由于FAST算法计算速度较快，后续有许多算法对其进行了改善，例如FAST-ER、AGAST等。2010年，Rublee等人提出了快速描述算子BRIEF。2011年，Rublee等人结合FAST和BRIEF的优势，提出了ORB，但是该算法对尺度和仿射变换鲁棒性差。同年，Leutenegger等人提出了BRISK算法，该算法弥补了ORB算法的缺点。2012年，Alexandre等人提出了快速特征提取算法 FREAK 。
2.2 基于深度学习的特征检测与描述方法
与传统的特征点检测与描述方法相比，基于深度学习的方法可以达到更好的效果，接下来从特征点检测、特征点描述以及检测与描述一体的方法进行介绍。
（1）特征点检测算法主要有：TILDE、TCDet、Quad-Net、Key.Net、ASFeat
（2）特征点描述算法主要有：DeepCompare、MatchNet、DeepDesc、TFeat、HardNet、PN-Net
（3）检测与描述一体的算法：SuperPoint、LF-NET、GLAMpoints、D2-Net、RF-Net