【正文】 點(diǎn)，這給兩種方法的結(jié)合形成新的特征點(diǎn)提取方法提供了條件。特征點(diǎn)定位較準(zhǔn)確，對(duì)局部噪聲不敏感，且計(jì)算速度快，但是它是在單一尺度下檢測(cè)角點(diǎn)，若選用較小窗口高斯卷積后提取角點(diǎn)時(shí)則會(huì)因?yàn)樵肼暤纫蛩貙?dǎo)致出現(xiàn)眾多角點(diǎn)位置；若選用較大窗口高斯卷積則會(huì)因?yàn)榫矸e的圓角效應(yīng)使角點(diǎn)的位置產(chǎn)生較大的偏移。所以為圖像中提取穩(wěn)定特征點(diǎn)，首先利用Harris特征點(diǎn)提取算法初步從圖像中提取粗特征點(diǎn)，然后通過(guò)多尺度高斯差分剔除部分抗尺度性較差的特征點(diǎn)，在此基礎(chǔ)上結(jié)合描述符信息得到穩(wěn)定特征點(diǎn)。下面進(jìn)行提取算法結(jié)合方案的具體研究與分析。單一尺度只對(duì)應(yīng)事物的單一存在方式，用單一尺度觀察物體，只能獲得物體片面的信息。尺度空間理論正是從多尺度理論發(fā)展而來(lái)的，它從人類(lèi)視覺(jué)系統(tǒng)得到啟發(fā)，從多尺度的角度來(lái)分析圖像。首先構(gòu)建圖像的尺度空間函數(shù)。作為尺度空間理論中的一個(gè)重要概念，尺度空間核被定義為：()對(duì)于所有的信號(hào)，若它與變換核卷積后得到的信號(hào)中的極值(一階微分過(guò)零點(diǎn))不超過(guò)原圖像的極值，則稱(chēng)為尺度空間核，所進(jìn)行的卷積變換稱(chēng)為尺度變換。2. 描述符思想根據(jù)特征點(diǎn)的尺度、方向、位置等信息，為每個(gè)特征點(diǎn)建立一個(gè)描述符，一個(gè)常用的方法是在合適尺度對(duì)圍繞特征點(diǎn)的局部區(qū)域進(jìn)行灰度采樣。在關(guān)鍵點(diǎn)的鄰域梯度信息計(jì)算時(shí)，以關(guān)鍵點(diǎn)為中心建立窗口，通過(guò)繪制窗口像素點(diǎn)的梯度方向和梯度模值的累加值，在生成種子點(diǎn)的基礎(chǔ)上得到每個(gè)種子點(diǎn)的方向向量信息，這種鄰域方向信息的聯(lián)合增強(qiáng)了特征點(diǎn)的抗噪聲能力。算法流程圖如下。然后通過(guò)判斷()即可檢測(cè)出尺度為的特征點(diǎn)。作為尺度不變檢測(cè)函數(shù)需要有一個(gè)明顯的單一極值點(diǎn)。DOG函數(shù)計(jì)算較簡(jiǎn)單，是歸一化LOG算子的近似，定義如下： ()算法首先利用Harris算子在尺度上建立個(gè)尺度空間的描述，其中表示第尺度，；表示尺度因子自適應(yīng)調(diào)整尺度間的跨度。 DOG函數(shù)圖像 尺度空間下的Harris角點(diǎn)檢測(cè)示意圖 特征點(diǎn)描述在根據(jù)傳統(tǒng)Harris算法初步獲得圖像中特征點(diǎn)的基本信息的基礎(chǔ)上，結(jié)合多尺度空間極值求解理論剔除部分偽特征點(diǎn)，并獲得圖像特征點(diǎn)的尺度信息，在此基礎(chǔ)上，根據(jù)特征點(diǎn)的尺度、方向、位置等信息，為每個(gè)特征點(diǎn)建立一個(gè)描述符，特征點(diǎn)在提取時(shí)需要給特征點(diǎn)分配一個(gè)主方向，主要目的是通過(guò)主方向旋轉(zhuǎn)特征點(diǎn)局部區(qū)域 ,確保特征描述符的旋轉(zhuǎn)不變性。其中L所用的尺度為每個(gè)關(guān)鍵點(diǎn)各自所在的尺度。首先將坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵點(diǎn)的方向，以確保旋轉(zhuǎn)不變性。(b)中每一個(gè)關(guān)鍵點(diǎn)由22共4個(gè)種子點(diǎn)組成，每個(gè)種子點(diǎn)有8個(gè)方向向量信息。每個(gè)區(qū)域中有8個(gè)方向箭頭，箭頭的長(zhǎng)度與梯度值大小相對(duì)應(yīng)，實(shí)驗(yàn)證明最好的描述符應(yīng)為44的柱狀矩陣，矩陣中每個(gè)元素占用8個(gè)方向位，那么每個(gè)特征點(diǎn)的描述符就是一個(gè)448=128維向量。首先特征點(diǎn)描述符向量要被標(biāo)準(zhǔn)化為單位長(zhǎng)度。當(dāng)亮度改變時(shí)，每個(gè)像素都會(huì)被加上一個(gè)常量但不會(huì)影響梯度值，因?yàn)樘荻仁峭ㄟ^(guò)像素值的差計(jì)算得到。由于傳統(tǒng)的SIFT特征點(diǎn)描述符在構(gòu)造時(shí)，特征點(diǎn)之間的梯度方向及模值差異較小，如果特征向量描述符的維度偏低時(shí)則使構(gòu)造特征向量的特征點(diǎn)之間的區(qū)分度過(guò)小，則無(wú)法體現(xiàn)出描述符的優(yōu)越性，不利于后續(xù)圖像特征點(diǎn)的匹配。但是在本章所提出的H/S算法中，首先已經(jīng)通過(guò)Harris特征點(diǎn)提取算法獲得了圖像中的粗特征點(diǎn)，并且在多尺度理論的應(yīng)用下得到了抗尺度變化的特征點(diǎn)，此時(shí)特征點(diǎn)的信息量差異已經(jīng)比較大，因此在H/S特征點(diǎn)提取算法中，通過(guò)在關(guān)鍵點(diǎn)周?chē)?4的窗口，然后在每個(gè)窗口中確定一個(gè)種子點(diǎn)，計(jì)算該種子點(diǎn)分別在，和共4個(gè)方向的梯度方向直方圖，繪制每個(gè)梯度方向的累加值，這樣對(duì)于一個(gè)關(guān)鍵點(diǎn)產(chǎn)生16個(gè)數(shù)據(jù)，即最終形成16維的H/S特征向量，此時(shí)獲得的H/S特征向量不僅提供了特征點(diǎn)的抗旋轉(zhuǎn)、抗噪聲性能，進(jìn)一步將特征向量歸一化可以獲得對(duì)光照變化的有效性。 (a)圖像梯度 (b)關(guān)鍵點(diǎn)描述 特征點(diǎn)描述符根據(jù)以上對(duì)于H/S特征點(diǎn)提取算法中多尺度空間理論和特征點(diǎn)描述符理論的實(shí)現(xiàn)思想，H/S算法首先利用傳統(tǒng)的Harris特征點(diǎn)提取算法初步得到圖像中的特征點(diǎn)，然后通過(guò)多尺度檢測(cè)剔除部分抗尺度變化性能弱的特征點(diǎn)，在此基礎(chǔ)上為每個(gè)關(guān)鍵點(diǎn)的鄰域計(jì)算局部圖像梯度的方向直方圖，最后轉(zhuǎn)換為16維的特征描述符，使H/S特征點(diǎn)描述符具有抗噪聲性能。 實(shí)驗(yàn)分析 算法評(píng)價(jià)標(biāo)準(zhǔn)一種評(píng)價(jià)角點(diǎn)提取效果好壞因子的點(diǎn)重復(fù)率定義如下： ()其中表示特征點(diǎn)集合，表示集合中元素的數(shù)目，表示取兩個(gè)數(shù)中較小者，分子表示兩幅圖像中相同角點(diǎn)的數(shù)量。圖像中提取出的特征點(diǎn)用十字劃線(xiàn)標(biāo)識(shí)。(a)Harris算法提取結(jié)果(b)H/S算法提取結(jié)果(c)Harris算法提取結(jié)果(d)H/S算法提取結(jié)果 圖像尺度變化前后角點(diǎn)檢測(cè)比較(原圖像大小的2倍) H/S算法與Harris算法角點(diǎn)檢測(cè)點(diǎn)重復(fù)率比較比較尺度點(diǎn)重復(fù)率，改進(jìn)后的H/S算法提取的角點(diǎn)一致性效果較好。2. 抗噪聲分別用H/S算法和傳統(tǒng)的Harris算法對(duì)添加噪聲后的圖像進(jìn)行檢測(cè)。特征點(diǎn)描述符下的H/S角點(diǎn)檢測(cè)方法獲取了角點(diǎn)的多維度信息，算法抗噪聲性能得到很大改善。H/S算法的實(shí)現(xiàn)主要是通過(guò)將局部不變特征SIFT特征點(diǎn)提取算法中的多尺度和特征點(diǎn)描述符的理論基礎(chǔ)，將傳統(tǒng)Harris特征點(diǎn)提取算法在單一尺度下檢測(cè)角點(diǎn)變?yōu)槎喑叨忍崛?，使檢測(cè)出的特征點(diǎn)具有尺度不變性，并且利用經(jīng)多尺度過(guò)濾后的特征點(diǎn)的信息量差異較大的特點(diǎn)，構(gòu)造16維的特征向量極大的提高了特征向量的構(gòu)造速度。同時(shí)采用H/S特征點(diǎn)提取算法將為本文后續(xù)提出改進(jìn)的特征點(diǎn)匹配算法的實(shí)現(xiàn)提供穩(wěn)定的不變特征點(diǎn)。 相似三角形方法局限性分析由于三角形具有天然的抗平移、旋轉(zhuǎn)和縮放特性，對(duì)于處理圖像間存在平移、旋轉(zhuǎn)、縮放等情況，具有很好的優(yōu)越性，目前基于三角形幾何結(jié)構(gòu)的匹配方法研究廣泛，因此本節(jié)選擇了能夠較好體現(xiàn)基于幾何結(jié)構(gòu)匹配思想的相似三角形匹配方法進(jìn)行研究。三角形(a)旋轉(zhuǎn)得出(b)，但是內(nèi)角并沒(méi)有發(fā)生改變，而縮放(a)變成(c)，和的大小依舊沒(méi)有發(fā)生變化。對(duì)點(diǎn)則可組成對(duì)相似的三角形，且以某個(gè)點(diǎn)為頂點(diǎn)的三角形有個(gè)。這樣，在嚴(yán)格的情況下，真實(shí)匹配的點(diǎn)對(duì)之間的置信度會(huì)大于或等于，但由于出格點(diǎn)的存在，進(jìn)行同向相似三角形檢實(shí)際算法過(guò)程中將置信度大于某一閾值的兩點(diǎn)作為最終匹配點(diǎn)。定義 ：從兩幅圖像中任意選擇兩個(gè)三角形，它們組成一個(gè)三角形對(duì)。三角形具有旋轉(zhuǎn)、平移、伸縮變化不變性的特點(diǎn)，每一個(gè)三角形包含兩個(gè)獨(dú)立的不變的形狀參數(shù)，參數(shù)的表示方法有很多種，常選擇使用三角形邊的比率來(lái)表示：參數(shù)1是三角形中間長(zhǎng)度的邊與最長(zhǎng)邊的比，參數(shù)2是三角形最短邊長(zhǎng)與最長(zhǎng)邊的比，a，b與c是三角形的三條邊，且。 三角空間的三角形特征由空間中的三個(gè)點(diǎn)構(gòu)成的三角形就可以轉(zhuǎn)換成空間中用一個(gè)點(diǎn)來(lái)表示。兩個(gè)圖像中的三角形在三角空間中的對(duì)應(yīng)點(diǎn)之間的距離在范圍內(nèi)，就認(rèn)為它們相互匹配，即為一個(gè)三角形匹配對(duì)。然而對(duì)三角空間中的B組坐標(biāo)分別按照進(jìn)行排序，再使用折半查找法能夠迅速地在組B中找到開(kāi)始點(diǎn)，只有那些落在范圍之內(nèi)的點(diǎn)需要進(jìn)行比較，能夠避免大量的比較。指派兩組點(diǎn)模式之間候選點(diǎn)的匹配是基于這樣的思想：當(dāng)存在很多個(gè)點(diǎn)時(shí)，將會(huì)在包含對(duì)應(yīng)點(diǎn)的三角形之間出現(xiàn)過(guò)剩的匹配。為了計(jì)算A組的點(diǎn)i和B組的點(diǎn)j具有共同的三角形的數(shù)目，定義的權(quán)值二維表，并初始化為零。通過(guò)加權(quán)后，權(quán)值矩陣中數(shù)值大的元素對(duì)應(yīng)著匹配點(diǎn)。很明顯點(diǎn)對(duì)的權(quán)值越高，點(diǎn)對(duì)為真正的配對(duì)的可能性越大。估計(jì)這些數(shù)目是很難的，需要依靠許多參數(shù)來(lái)完成，比如參與匹配的點(diǎn)的個(gè)數(shù)，數(shù)組中數(shù)據(jù)排序程度等?？赡艿臄U(kuò)展是包括一個(gè)與三角形尺寸有關(guān)的規(guī)范化參數(shù)，如三角形面積、周長(zhǎng)。規(guī)范化使得參數(shù)比例穩(wěn)定，相似三角形具有相似的參數(shù)值。這個(gè)方法很具有直覺(jué)性，是人類(lèi)視覺(jué)識(shí)別相似三角形的部分技能。假設(shè)A、B分別有m和n個(gè)點(diǎn)，表示匹配相似三角形對(duì)中出現(xiàn)的次數(shù)，通過(guò)設(shè)定閾值確定三角形匹配對(duì)；3) 減少誤匹配。 三角形相似方法局限性假設(shè)兩特征點(diǎn)集的數(shù)量都為，每個(gè)點(diǎn)集將構(gòu)成個(gè)三角形，方法需要對(duì)每對(duì)三角形進(jìn)行相似性判定，時(shí)間復(fù)雜度。且未利用其他信息對(duì)一些偽匹配三角形進(jìn)行剔除，造成相似三角形對(duì)數(shù)過(guò)多，容易造成誤匹配。 改進(jìn)的相似三角形匹配方法實(shí)現(xiàn)根據(jù)以上對(duì)于傳統(tǒng)三角形特征點(diǎn)匹配算法的原理及局限性分析，針對(duì)傳統(tǒng)三角形匹配算法時(shí)間復(fù)雜度高，使用單模板匹配的局限性，通過(guò)引入基線(xiàn)及基線(xiàn)三角形組的概念，由復(fù)數(shù)相乘的幾何意義，將圖像特征點(diǎn)轉(zhuǎn)移到復(fù)數(shù)向量空間中求解，不僅使算法的效率得到提高，同時(shí)也增強(qiáng)了算法的可靠性。：選取圖像點(diǎn)集中任意兩個(gè)特征點(diǎn)、則定義向量為圖像中的一條基線(xiàn)。算法步驟：首先提取圖像特征點(diǎn)，在圖像中選取特征值較高且分布均勻的特征點(diǎn)構(gòu)成特征點(diǎn)集，并根據(jù)圖像特征點(diǎn)間的歐氏距離及描述符信息條件選擇滿(mǎn)足要求的基線(xiàn)，構(gòu)造基線(xiàn)三角形組形成相應(yīng)基線(xiàn)的三角形集合；然后從模版圖像的基線(xiàn)三角形集合中選取三角形子模版，對(duì)實(shí)物圖像中的特征點(diǎn)進(jìn)行相似三角形檢索，當(dāng)找到基線(xiàn)所對(duì)應(yīng)三角形的頂點(diǎn)幾何位置時(shí)，在判斷它是否為特征點(diǎn)基礎(chǔ)上，進(jìn)一步結(jié)合該特征點(diǎn)位置的描述符信息剔除偽匹配三角形，在實(shí)物圖像中準(zhǔn)確定位出模版圖像。本章改進(jìn)傳統(tǒng)三角形的的被動(dòng)搜索為主動(dòng)搜索，即在實(shí)物圖中找到對(duì)應(yīng)于模板圖像中的基線(xiàn)后運(yùn)用復(fù)數(shù)空間理論，構(gòu)造條基線(xiàn)，在實(shí)物圖中主動(dòng)找到以該基線(xiàn)為準(zhǔn)的三角形組，然后判斷該三角形組與模板圖像的三角形組是否相似，從而很大程度上減少了檢索三角形的數(shù)量，使算法時(shí)間復(fù)雜度由降為。奇異三角形，由于這些三角形面積狹小及邊和邊之間的關(guān)系不明顯而不利于模版圖像的定位，所以不被選為子模版三角形。這些三角形很難進(jìn)行相似判定。于是，通過(guò)限制三角形的形成來(lái)減少誤匹配的可能及處理三角形的配對(duì)。設(shè)實(shí)物圖像中提取出個(gè)特征點(diǎn)，傳統(tǒng)的同向相似三角形檢索需要對(duì)個(gè)點(diǎn)組成的個(gè)三角形進(jìn)行同向相似性判斷，三角形相似性判斷方法目前已經(jīng)相當(dāng)成熟。：的頂點(diǎn)坐標(biāo)為，對(duì)應(yīng)頂點(diǎn)坐標(biāo)分別為，則與頂點(diǎn)同方向排列的充分必要條件是()證明：將點(diǎn)、和點(diǎn)、看作空間直角坐標(biāo)系下的點(diǎn)，可得。() ()其中：,分別是三個(gè)坐標(biāo)軸上的單位向量。證畢。 不同向的兩相似三角形很顯然傳統(tǒng)的同向相似三角形檢索時(shí)間復(fù)雜度為，且過(guò)程涉及到大量的除法和比較運(yùn)算。且根據(jù)復(fù)數(shù)相乘的幾何意義，將圖像特征點(diǎn)轉(zhuǎn)移到復(fù)數(shù)向量空間中求解，大大提高了算法效率。證明：假設(shè)對(duì)應(yīng)邊長(zhǎng)分別為。由三角形三邊之間的關(guān)系及式()可得：() 由式()知兩圓必交于不同的兩點(diǎn)，且兩點(diǎn)關(guān)于邊對(duì)稱(chēng)。，同向相似三角形檢索只需對(duì)條對(duì)應(yīng)邊求出對(duì)應(yīng)點(diǎn)，然后判斷點(diǎn)是否為特征點(diǎn)即可。然而，則需要求解二元二次方程組以及進(jìn)行同向性判斷，計(jì)算過(guò)程比較復(fù)雜，下面將采用另一種方法求解點(diǎn)。(b)，假設(shè)其與向量對(duì)應(yīng)，則算法只要找出點(diǎn)，使向量與向量所確定的與模板為同向相似三角形即可。根據(jù)三角形相似判定定理：兩邊對(duì)應(yīng)成比例且?jiàn)A角相等，則兩三角形相似。根據(jù)復(fù)數(shù)與向量一一對(duì)應(yīng)關(guān)系及復(fù)數(shù)相乘的幾何意義，向量對(duì)應(yīng)的復(fù)數(shù)可由向量對(duì)應(yīng)的復(fù)數(shù)乘以復(fù)數(shù)計(jì)算出來(lái)，由此點(diǎn)坐標(biāo)被確定。 同向相似三角形 多模板改進(jìn)方法分析相似三角形的特征點(diǎn)匹配方法利用了三角形的平移、旋轉(zhuǎn)、縮放不變性，傳統(tǒng)的判定方法目前已經(jīng)比較成熟，所以在對(duì)于旋轉(zhuǎn)和縮放這類(lèi)圖像匹配的應(yīng)用方面，具有較為突出的優(yōu)越性。但當(dāng)模板三角形特征點(diǎn)中含有出格點(diǎn)時(shí)，則檢索出的匹配三角形集合中就不會(huì)含有同名匹配三角形，從而得不到準(zhǔn)確的匹配位置。在復(fù)數(shù)空間下得到對(duì)應(yīng)特征點(diǎn)組成向量的三角形組的基礎(chǔ)上，通過(guò)判斷實(shí)物圖中對(duì)應(yīng)于模版圖像中的基線(xiàn)的三角形組的頂點(diǎn)為特征點(diǎn)的數(shù)量是否達(dá)到一定閾值，若滿(mǎn)足閾值要求，則可以認(rèn)為在實(shí)物圖中找到一個(gè)模版圖像，同理遍歷模版圖像中的所有基線(xiàn)，進(jìn)行相似三角形檢索，找到實(shí)物圖中所有的模版圖像。在得到以為基線(xiàn)構(gòu)造的頂點(diǎn)的幾何坐標(biāo)位置后，判斷點(diǎn)是否為實(shí)物圖像中特征點(diǎn)，若為特征點(diǎn)，進(jìn)一步結(jié)合點(diǎn)特征向量信息，判斷該特征點(diǎn)與模板圖像中對(duì)應(yīng)位置點(diǎn)的描述符信息是否相似，若這兩點(diǎn)特征向量相似度高，則認(rèn)為找到一個(gè)匹配三角形，同理構(gòu)造以為基線(xiàn)組成的所有三角形，若三角形組頂點(diǎn)滿(mǎn)足要求的點(diǎn)達(dá)到一定閾值，則認(rèn)為在實(shí)物圖像的該位置找到模板圖像，提高了檢索方法針對(duì)性和有效性。并且通過(guò)構(gòu)造基線(xiàn)三角形組的思想，使匹配模板由單個(gè)模板變?yōu)槎鄠€(gè)模板，提高了搜索策略的可靠性。改進(jìn)的相似三角形匹配方法步驟如下：1) 模板圖像特征點(diǎn)構(gòu)造點(diǎn)集，以點(diǎn)集組成個(gè)不同的向量作為基線(xiàn)，選擇未處理的基線(xiàn)，將模板三角形轉(zhuǎn)到復(fù)數(shù)向量空間中，通過(guò)向量和向量，計(jì)算出旋轉(zhuǎn)因子；2) 實(shí)物圖像特征點(diǎn)構(gòu)造點(diǎn)集，以點(diǎn)集組成個(gè)不同的向量，結(jié)合H/S算法提取得到特征點(diǎn)的描述符信息，選取與模板圖像基線(xiàn)描述符信息相似的向量作為基線(xiàn)，如果個(gè)向量都處理完，則轉(zhuǎn)步驟5。如果是，則進(jìn)一步判斷該位置特征點(diǎn)的描述符信息與模板圖中對(duì)應(yīng)相似三角形頂點(diǎn)的描述符信息相似度，若相似度滿(mǎn)足要求則輸出為模板的一同向相似三角形，并設(shè)置特征點(diǎn)數(shù)量記錄匹配到的同向相似三角形的數(shù)目；4) 判斷與模板圖中對(duì)應(yīng)基線(xiàn)的三角形組的頂點(diǎn)數(shù)量關(guān)系，若值達(dá)到一定的閾值，則輸出在模板圖像中匹配到一個(gè)模板圖像，并用矩形框?qū)⑵錁?biāo)識(shí)出；轉(zhuǎn)步驟2，繼續(xù)判斷實(shí)物圖中特征點(diǎn)集合中的其它基線(xiàn)；5) 算法結(jié)束。實(shí)驗(yàn)中提取出角點(diǎn)用十字劃線(xiàn)標(biāo)識(shí)，并用矩形框標(biāo)識(shí)出實(shí)物圖像中識(shí)別出的模板圖。1. 模板圖像旋轉(zhuǎn)、縮放時(shí)匹配、縮放時(shí)匹配結(jié)果，(a)為模板圖，(b)為實(shí)物圖，在(b)中存在與(a)相同、旋轉(zhuǎn)、尺度變化、旋轉(zhuǎn)縮放共存的模板圖，用矩形標(biāo)識(shí)出實(shí)物圖中存在的模板圖，實(shí)驗(yàn)結(jié)果表明該算法對(duì)于圖像存在旋轉(zhuǎn)、縮放情況下的有效性。(a)為在模板圖，(b)為將實(shí)物圖增加噪聲后得到的匹配結(jié)果，實(shí)驗(yàn)結(jié)果表明在實(shí)物圖受噪聲干擾情況下，該算法仍能準(zhǔn)確找到發(fā)生旋轉(zhuǎn)、縮放情況的模板圖像，同時(shí)也驗(yàn)證了改進(jìn)H/S算法提取角點(diǎn)特征點(diǎn)的有效性。(a)模板圖(b)實(shí)物圖 復(fù)雜背景下圖像匹配(a)模板圖(b)實(shí)物圖 模板圖像旋轉(zhuǎn)、縮放圖像匹配 本章小結(jié)本章在H/S算法提取圖像中穩(wěn)定特征點(diǎn)的基礎(chǔ)上，分析傳統(tǒng)相似三角形匹配算法局限性，引入基線(xiàn)理論并結(jié)合特征點(diǎn)描述符信息，改進(jìn)了三角形的構(gòu)