兴趣点检测（Interest Point Detection）是最近提出来的一个图像识别和计算机视觉领域的专业术语，指的是对后续处理十分关键的点。图像中感兴趣点一般具有如下的几个性质：
    有一个数学性质好、清晰的定义
    在图像空间上具有关键性的位置
    感兴趣点邻域的局部图像结构丰富，使用这些感兴趣点可以大大简化后续处理
    当图像发生扰动的时表现较为稳定，包括透视变换、仿射变换、平移、尺度变换、旋转和亮度的变化等。这样的感兴趣具有比较高可重现性。
“早期的感兴趣点通常指代角点检测，主要的目的是获得稳定而定义明确的图像特征以进行物体跟踪与识别”[2]。然后，实际系统中，大多数的角点检测方法不仅仅只对角点敏感，对于任何方向上有较大变化的局部区域都敏感。感兴趣点的使用还可以追溯到感兴趣的区域，用来指示图像中物体。
“以图搜图”系统是建立在多媒体技术基础之上、具有对图片信息进行索引和查询功能的图片资源管理系统。传统图片搜索主要可分成基于文本和基于内容的两大系统。基于文本的图片搜索过程的框架是：先对图片用文本进行注解，然后通过数据库管理系统来完成图片搜索，但是工作量太大，且带有较强的主观性及不完整性。基于内容的图片搜索很好的解决了这一问题，其搜索框架是：直接提取图片的视觉特征（如颜色、纹理、形状），将用户提交的图片特征与图片库中图片特征进行相似匹配，并将与用户提交的查询图片相似度接近的图片显示给用户，该方法的核心是利用图片特征对图片进行检索。
本项目的建设目标就是对图片进行分析、抽取和描述特征，建立知识库，开发特征匹配算法，应用机器学习模型对目标图片在知识库中进行搜索。 本项目的意义在于，传统图片搜索只是分析同关键词有关的图片，而图片的内容因为多种原因不会被纳入到搜索的范畴里，“以图搜图”系统能够把照片作为关键词进行搜索，可以精准、快捷地找到目标图片。
    基于内容的图像检索具也面临很多挑战，目前主要的核心问题集中在以下三个方面：
（1）图像的表示方式和特征的提取。这些年来，人们一直致力于探索哪个特征值最能更好的代表图像内容，如何建立图像的特征和语义内容之间的联系。直到今天，基于内容的图像检索领域依旧没有很好办法来解决这些问题。由于还找不到一种能完全表示图像语义的特征，所以如何根据现有的图像特征更好地描述图像的内容是当前最重要的问题。
（2）图像的比较策略。图像之间的相似程度是一种定性的、模糊的概念。如何把这种定性的判断转换为特征之间定量的距离比较是一个很重要的问题。这需要结合特征分量的物理意义以及人的主观感受选择适当的距离测度公式进行度量。多种特征之间的距离还需要进行融合，从而在多方面衡量图像之间存在的差别。
（3）机器学习和图像自动标注。由于图像内容的丰富性和多义性，单纯依赖于低层特征和图像比较策略很难适合多种用户的主观评价标准。因此需要结合机器学习技术，让检索系统在人机交互中主动地学习人的评价习惯。“相关反馈是在信息检索系统中的一种指导性学习的技术，用以提高系统的检索能力，系统根据用户提交的指导信息，对内部检索参数进行调整，从而优化检索结果并提供给用户新的检索结果” [3]。为了与关键词查询方法相结合，大幅提高检索精度，还要对图像进行自动标注。可以利用手工标定很小一部分图像，通过相关反馈的方法，吧用户的反馈信息以增量形式加入数据库，使具有相似内容的图像也得到标注。 兴趣点检测技术在“以图搜图”系统中的应用研究(3):http://www.youerw.com/jisuanji/lunwen_19843.html