(2)w（x，y）：窗口函数，不同的点给不同的weight；
(3)在Moravec detector中的箱子函数，这个块里的每个点都给它一样的权重；
(4)测量shift（u，v）产生出的error有多大，希望找对所有的（u，v），E（u，v）都很大的点（x，y），表示不管怎么动，看到的窗口都很不一样，才是好的特征；
(5)把所有可能的（u，v）都算一次太慢，所以只做四个方向的移动。对（u，v）=（1，0），（1,1），（0,1），（-1,1），找最小的那个E（u，v），如果连最小的都很大，那其他E（u，v）一定很大；
(6)所以对每个点产生4个向量（（1,0），（1，1），（0,1），（-1,1）），对这四个点找到最小的E（u，v），产生一张图像，然后再找这张图像的局部最大值，把这样的点当作是特征。
(7)找右上角的方向会覆盖到上面，找四个跟八个（u，v）应该差不多。
但是这里也存在一些问题：
(1)二分窗口函数，其响应是含噪声的，E的最小值产生的图像不是一个很平滑的图像，所以在检测局部最大值时可能会含有噪声；
(2)它只用了4个方向，都是45度角或水平，能检测的shift有限；
(3)对边缘也会有很强的反映，如果边缘不是沿着45度角或水平，它的E的最小值很大。
 所以针对上述三个问题，Harris corner detector分别提出了改进：
(1)用高斯函数解决平滑问题；
(2)不只测试4个方向，但是计算量太大，用泰勒展开式考虑所有的小shift。（泰勒展开：公式，E（x，y）变成了平方函数，它的E（u，v）=E的（u，v）画出来的圆表示一个椭圆，不用把所有的（u，v）带入原本的函数，只要利用这个近似法加矩阵运算即可得到E（u，v），而这个矩阵可以直接由图像得到。
(3)对边缘反映太强烈，利用新的测量方法。对M做本征的分解找本征值λ1、λ2. λ1，λ2表示E（u，v）在该轴方向上变化较大，再根据λ1，λ2的大小关系判断是否为corner。
从另一个角度来看：对flat而言，梯度分布在一个很小的圆内；对edge而言，梯度分布在一个很细长的椭圆内；对corner而言，梯度分布在一个很大的圆内。
Harris一些特性：
(1)对拟似的强度是不变的，因为是用梯度，整张图亮度提升没有影响
(2)对强度的缩放比例也是不变的，临界值再乘上一个比例因子。
(3)对旋转也是不变的，旋转后还是得到同样的椭圆，只是方向变了
(4)最大的问题，对图像的缩放比例不是不变的，缩放改变,特征就不见了。
3．SIFT（尺度不变特征转换）
SIFT算法首先在尺度空间进行特征检测，并确定关键点的位置和关键点所处的尺度，然后使用关键点邻域梯度的主方向作为该点的方向特征，以实现算子对尺度和方向的无关性。
SIFT算法提取的SIFT特征向量具有如下特性：
a)SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。
b)独特性好，信息量丰富，适用于在海里特征数据库中进行快速、准确的匹配。
c)多量性，即使少数的几个物体也可以产生大量的SIFT特征向量。
d)高速性，经优化的SIFT匹配算法甚至可以达到实时的要求。
e)可扩展性，可以很方便的与其他形式的特征向量进行联合。
1.2.3特征匹配
当前的特征匹配方法基本上分为2种：
1.    基于局部灰度信息的特征匹配方法——局部区域灰度统计特性
2.    基于特征向量的特征匹配方法——特征向量之间的距离
（1）    欧氏距离： = 面向图像素描的sift特征边缘图生成和特征匹配技术(4):http://www.youerw.com/jisuanji/lunwen_9069.html