作为计算机视觉领域中最为重要的局部特征之一,图像特征点奠定了诸多视觉任务的基石。图像特征点具备的各种优异性质如旋转不变性,尺度不变性等使其广泛地应用于各种视觉应用之中,如图像拼接、图像检索、目标识别与匹配、三维重建、视觉里程计和虚拟现实等。传统的特征点检测算法大多都针对二维灰度图像,但是随着图像表示技术以及图像获取技术的快速发展,出现了越来越多其他格式的图像数据,如RGB-D图像、三维图像和全景图像等。特别是对针对三维图像和全景图像而言,其图像数据与二维图像数据从组织形式上有很大的区别,导致传统二维灰度图像的特征点检测算法往往很难直接作用在这些图像数据上。因此,针对这些新兴的图像数据如何有效地设计高效和鲁棒的特征点检测算法成为当下视觉领域中研究的热点。鉴于上述情况,本文首次系统性地探讨了针对各种图像数据的特征点检测算法,从二维图像到三维图像再到全景等其他图像,并且提出了几种鲁棒的三维特征点检测算法。相关的研究工作及学术贡献具体可以归结为以下几个方面:(1)归纳二维灰度图像的特征点检测算法。在本文中,我们将传统二维灰度图像的特征点检测算法大致划分为三大类:基于图像局部梯度信息的、基于模板或者学习的以及基于轮廓的特征点检测算法。然后分析每一类算法的主要原理,算法的优缺点以及相关应用场景。(2)介绍三维及其他图像数据的特点检测算法。探讨了除二维灰度图像数据之外的特征点检测算法,包括三维特征点检测算法、颜色空间特征点检测算法、时空特征点检测算法、深度图RGB-D图像特征点检测算法以及全景图像特征点检测算法。(3)提出四种新的三维特征点检测算法。在前人相关工作的基础上,提出了四种鲁棒的三维特征点检测算法。具体如下:(a)扩展基于轮廓的角点检测算法CTAR[1]到三维网格模型中,并由此提出两种基于支撑点的三维角点检测算法;(b)基于三维网格模型的曲面局部几何性质和7)0范数的稀疏优化方式选取三维特征点;(c)基于多尺度空间下的局部和全局信息,利用学习的方式选取具备部分语义信息的三维特征点。并在评测系统中做了大量对比实验以验证本文提出的四种三维特征点检测算法的有效性。