点特征可以用来寻找一个不同图像中对应位置的稀疏集合，关键点的一个重要优点，能够在出现拥挤、大的尺度和方向变化的情况下很好地匹配。
获取特征点及其对应关系的方法：
- 在一幅图像中寻找那些可以使用局部搜索方法来精确跟踪的特征，---------在图像以相近的视角或被快速地丽娜徐拍摄时更为合适
- 在所有考察的图像中独立地检测特征点然后基于他们的局部表现进行匹配。------------更适合于在图像中存在大量的运动或者表现变化的时候
关键点检测和匹配流水线 分为四个阶段：
特征检测阶段：在每一幅图像中寻找那些能在其他图像中较好匹配的位置。
特征描述阶段：把检测到的关键点周围的每一个区域转化为一个更紧凑和稳定的描述子。
特征匹配阶段：在图像中高校地搜索可能的匹配候选。
特征跟踪：只在检测到的特征点周围一个小领域内寻找匹配。
1.1特征检测器
什么是适合跟踪的特征？拥有较大对比度变化的，拥有至少两个明显不同方向梯度的图像块最容易定位。
自相关函数：在一个小的位置变换区域内，通过与原图像快比较来计算这个匹配结果的稳定度，，当自相关函数有一个稳定的最小值时，则表明容易被定位
基于自相关矩阵关键点检测器的步骤
1.通过使用高斯函数的导数对原始图像进行卷积啦计算图像在水平方向和垂直方向上的导数Ix Iy.
2.计算对应于这些梯度外积的三个图像
3.使用一个较大的高斯函数来对这些图像中的每一个进行卷积。
4.使用前面公式中的任意一个来计算一个标量兴趣量。
5.寻找一定阈值之上的局部最大值，并将他们作为检测到的特征点位置。
自适应非最大抑制（ANMS） ：特征点检测器寻找兴趣函数的局部最大值，通常会导致图像上特征点的非均匀分布。。根据特征点的相应强度对其进行排序，然后通过不断减小抑制半径大小来建立第二个排序列表。
衡量可重复性：在一副图像中检测到的关键点在另一幅变换过的图像中的对应位置的erta个像素范围内知道频率
尺度不变：
旋转不变和方向估计：
在检测到的每一个关键点估计一个主导方向。一旦估计出一个关键点的局部方向和尺度，就可以在检测出的关键点附近提取出一个特定尺度和方向的
放射不变性：
2.特征描述子
确定哪些特征来自于不同图像中的对应位置。
偏差和增益规范化
尺度不变特征变换
PCA-SIFT
梯度位置方向直方图
3.特征匹配
两个阶段 1.选择一个匹配策略，用来确定哪些匹配将被传到下一个阶段进行进一步处理。2.设计出有效的数据结构和算法来尽可能快的完成这个匹配。
4.特征跟踪