detector and descriptor 需要满足：
geometric invariance: translation,rotation,scale
photometric invariance: brightness,exposure...
why use corner as feature point?And how to find a corner
Harris：local window
corner detector: (flat,edge no change as shift)
SSD: sum of square
u,v平移，计算SSD
E(u,v) 泰勒展开
二次曲面 等高线
椭圆的长轴短轴分别对应拉姆达min和拉姆达max
利用拉姆达min足够大 ， 判断为corner窗口
可加速计算拉姆达min
非极大值抑制选出角点区域最大值像素
harris 对I+a的光照变化invariance 但I*a一般
对平移旋转invariance
尺度不变性
1.图像金字塔
2.laplacian of gaussion（log） filiter
3.DoG laplacian的近似 求起来快
Harris-laplacian of gaussion
三维非极大值抑制，相当于cube范围内的搜索，加了一维尺度，（在这种尺度下最具响应值的）
Harrise 非常适合做tracking（光流法跟踪） 都利用到了光强
descriptor
从local window中总结出角点的描述
invariance to transform（2dR ，T， Scale）
2dR is inplane R
3dR is outofplane R
highly unique
INVARIANCE：
image patch but senstive to Intensity transform
invariant： gradients（正，负）利用相邻信息解决Intensity transform。但是对旋转平移敏感
Histogram：1.color Histogram 2.gradients Histogram but not unique enough，很多都会比较相近。不够区分 3.use spatial histogram 切分很多小格子，每个格子计算histogram。但是划分了之后对旋转敏感。4.梯度方向众数作为方向+ spatial histogram。
SIFT performance best
只要用于解决2d的旋转，3d的旋转碰巧可以解决一些（60度以内）
梯度怎么计算的？计算出梯度方向后按照靠近的最近的八个方向之一投票
descriptor: 梯度方向投票 / 切分四个格子，每个格子梯度方向投票（8个方向的histogram） 16 * 8 = 128 （16个格子）
这个方法非常好，引用非常多。gpu可以实时
SURF eccv2006 mid in sift and brife
比sift快 哈尔变换
64维向量
BRIEF Binary Robust Independt Elementary Features
1.smooth by Gaussian
ORB
combination of FAST and BRIEF
FAST corner + 灰度质心orientation + RBRIEF
HIstograms of oriented gradients for human detecttions
利用梯度判断一个区域是否是一个人
Feature matching
best match / second best match
f1/f2 小于一个阈值 才能采纳 to find a absolute unique match
