角點是圖像很重要的特征，對圖像圖形的理解和分析有很重要的作用。角點檢測(Corner Detection)是計算機視覺系統中用來獲得圖像特征的一種方法，廣泛應用于運動檢測、圖像匹配、視頻跟蹤、三維建模和目標識別等領域中，也稱為特征點檢測。

角點通常被定義為兩條邊的交點，更嚴格的說，角點的局部鄰域應該具有兩個不同區域的不同方向的邊界。而實際應用中，大多數所謂的角點檢測方法檢測的是擁有特定特征的圖像點，而不僅僅是“角點”。這些特征點在圖像中有具體的坐標，并具有某些數學特征，如局部最大或最小灰度、某些梯度特征等。

現有的角點檢測算法并不是都十分的魯棒。很多方法都要求有大量的訓練集和冗余數據來防止或減少錯誤特征的出現。角點檢測方法的一個很重要的評價標準是其對多幅圖像中相同或相似特征的檢測能力，并且能夠應對光照變化、圖像旋轉等圖像變化。

近年來提出的角點檢測方法大多是基于灰度圖像的角點檢測。主要分三類：

（1）基于邊緣特征的角點檢測。主要分三個步驟：首先，對圖像進行預分割；然后對預分割后得到的圖像中邊界輪廓點進行順序編碼，得到邊緣輪廓鏈碼；最后，根據邊緣輪廓鏈碼對圖像中的角點進行描述和提取。Wallg和Braday提出了一種基于表面曲率的角點檢測算法。為了改善角點檢測的穩定性，首先將圖像和高斯濾波器卷積，然后計算整個圖像的表面曲率，當曲率高于一定閾值，并為局部最大值的點被認為是候選角點。

（2）基于模板的角點檢測。一般首先建立一系列具有不同角度的角點模板，然后在一定的窗口內比較待測圖像與標準模板之間的相似程度，以此來檢測圖像中的角點。基于模板的方法主要考慮像素鄰域點的灰度變化，即圖像亮度的變化，將與鄰點亮度對比足夠大的點定義為角點。首先設計一系列角點模板，然后計算模板與所有圖像子窗口的相似性，以相似性判斷在子窗口中心的像素是否為角點。

（3）基于亮度變化的角點檢測。該算法基于角點相應函數（CRF）對每個像素基于其模板鄰域的圖像灰度計算CRF值，如果大于某一閾值且為局部極大值，則認為該點為角點。

當然，角點的檢測算法非常之多，僅基于模板的角點檢測算法就有Kitchen-Rosenfeld角點檢測算法、Harris角點檢測算法、KLT角點檢測算法及SUSAN角點檢測算法等，在此不再一一展開介紹。維視圖像從事機器視覺行業十數年，其XAVIS機器視覺科研平臺包含近300個優異算法，其中就包含多種優異的角點檢測算法，這些算法均是從實際工業項目中積累、優化而來，在算法效率、穩定性上均處于視覺行業領先地位。