关于Harris算法，角点检测的感想

首先推荐阅读一下基本入门信息。比如这篇文章。cnblogs.com/ronny/p/4009425.html。

读到了将图像在(x, y)点平移(delta x, delta y)后，获得了一个近似为二元二次方程的椭圆函数时，没有博客仔细说明这后面的隐藏的idea。

首先椭圆函数的两个变量就是delta x和delta y，然后希望自相关函数在微小的delta x和delta y改变下，都能有巨大变化，这种情况才能说明这是一个角点。如果只有delta x变化能够产生巨大影响，delta y的变化没有什么影响的话，说明这是一条垂直的边。

根据这一思路，我们首先画出椭圆函数，函数的坐标轴就是delta x和delta y，函数就是一个中心在原点的椭圆。我们希望delta x和delta y的改变能够使函数值大大增加的话，只有一种情况就是椭圆函数长短轴都很长且相近。

比如椭圆函数只沿着delta x轴很长，沿着delta y轴很短的话，那么而delta y即使增大，自相关函数计算结果也不会增大太多。所以必须要求长短轴都很长且相近。

然后，根据维基百科关于椭圆的定义，我们可以得知在各种博客中强调的M矩阵的特征值，就可以表征椭圆的轴长，因此M矩阵的两个特征值都较大且数值相当的情况时，就代表了微小的delta x和delta y改变都会产生巨大的自相关函数变化。因此找角点的问题，才转换为计算M矩阵特征值的问题。

而根据矩阵这个学科的定义，特征值之和就是矩阵的迹，特征值的积就是矩阵的行列式。为了更干净漂亮的表达算法，才用det(M)-k(trace(M)^2)这样的表达方式，当然这是Harris的表达方式。还有Forstner则利用两个式子，1/trace(M)和4*det(M)/(trace(M)^2)。

如果不仔细分析得到这些式子背后的idea的话，估计看很多博客也是白看。