由于图像处理中，特征点检测非常重要，国内外许多研究者对于特征点算法进行了 大量研究和创新： 国外学者很早就展开特征检测算法研究。1975 年。A。Rosenfled 等人 [13]提出利用特 征点的强度来计算特征点的算法，该算法运算量较小，工作效率快，但是因为该算法的 抗噪性不强，特征点的检测的准确性会受到噪声的影响，并没有广泛的应用到实际中去。81558

在 1983 年 J。Ponce 和 M。Brady[14]提出基于图像中偏导数的特征点检测算法，之后，他们 又研究提出，可以在曲线上利用自适应弯曲度计算出特征点。将曲线边界上符合要求的 点组成候选点集合，再通过平滑参数再继续删选，当平滑因子达到最大时，将候选点几 何中出现次数比较多的边界点定义为特征点。为了将边缘干扰减少并去除，减少因为局 部弯曲度突然变大而干扰特征点检测的准确，在 1986 年，Asada 等人[15]对原算法进行改 进，高斯平滑对于检测特征点的效果有干扰。但是研究发现有两个因素非常干扰特征点 的检测，一个是根据图像的弯曲度，另一个是根据是否设定特征点的强度。在 1993 年，论文网Cooper[16]研究基于链码出像素坐标来检测特征点，通过计算坐标的最大曲率值。在 1996 年，Hsin-Teng 和 Wu-Chin Hu[17]研究基于多边形的特征点检测算法,利用多边形相当于 边界链的原理，将两条边界线的交点作为特征点。但是此算法的缺点是图像处理计算复 杂，运算量大，实时性差，受图像分割和边缘检测的效果影响。较早的基于图像灰度值 的图像特征点检测算法是 Kitchen-Rosenfeld[18]提出的，该算法通过图像梯度方向的变化 率来检测特征点度量值，再通过阈值的大小和度量值的关系来检测是否为特征点。 Moravec[19]提出图像特征检测算法是关于图像灰度的，通过计算图像上水平垂直对角线 四个不同方向的像素，来得出它们的平均灰度变化值。将其中的最小值作为特征点响应 函数，在一定范围内，如果特征点响应的像素点最大，对应的点就作为特征点。在 1988 年，Harris[20]等人改进了 Moravec 的图像特征点检测算法，提出了广为人知的 Harris 特 征点检测算法。该算法是关于特征点信息的算法，利用信号处理中的自相关函数，从中 得出的特征值是自相关函数的一阶曲率，如果特征点的曲率值都非常高时，就将该点抽 取为特征点。G。Giraudon 和 R。Derich[21]为了减少噪声对于特征点检测的干扰，提出了基 于高斯二阶微分的特征点检测算法，因为高斯二阶微分与离散信号的卷积类似于高斯函 数与信号的卷积，因此抗噪性较好。 近年来国内学者也很关注特征检测算法研究，涌现出很多图像特征点检测方法： 谢东海[2]等人发现 Harris 特征点检测算法具有准确性和抗噪性不高的问题，借鉴图 像测量中 Forstner 算法能够准确定位的方法改进 Harris 特征点检测算法，使其能够准确定位到子像素。 胡海峰[3]基于检测棋盘点提出了一种能够自动获取特征点的新算法，该算法可以在无人工干预的情况下采用多层次的检测方法，结合 Harris 算法、Forstner 算法以及 Radon变换检测出棋盘点，运算时间短，精确性高。 朱如军，孙先仿[4]提出的特征点检测算法的基本思想是在特征点的某个领域内，在任意两条的直线上，图像的灰度值变化都很大。候选点的建立则是通过对像素点直线方 向上的灰度值求极值。再通过图像特征检测原则除去伪特征点。改进后的特征点检测算 法运算时间短、准确性高、抗噪性强、实时能力强。 

席志红、刘利斌、许新利[5]针对传统算法需要人为干预的缺陷，结合 SUSAN 特征 点检测算法，通过对图像灰度值和对比度的分析，提出灰度闭值和比较函数的快速自适 应选取。因为在 SUSAN 特征点检测算法中会检测不出某些特殊性特征点，该算法还构 造了一种针对 SUSAN 圆形模板的二圆环模板来检测一些边缘上难以区分的特征点，改 进后的特征点检测算法准确性更高。  图像特征检测算法国内外研究现状:http://www.youerw.com/yanjiu/lunwen_95374.html