Evaluation of Interest Point Detectors
这篇论文是2000年的，比较老了，现在可能提出了其它的特征点评价方法，不过这篇文章中提到的两种方法应该算是比较经典的吧。现在用的人也很多，所以还是值得一看的。论文中主要对当时比较火的描述子进行评价，如Harris，当时描述子研究貌似也是起步不久的样子，还木有SIFT呢，就十几年的时间，描述子这块的研究发展还真快呐。费话少说，直入主题吧。
现在存在很多feature detectors，然后那个的performance更好呢？这就需要一个普适的特征点评价方案。一般有两个评价指标：repeatability 和 information content
(1) repeatability:是对特征点检测算法的评价指标。
即图片通过加噪，rotation,scale change,variation of illumination,viewpoint change,该特征点同样能够被告检测到，这就是一个robust的特征点检测算法。设n1,n2为在两幅图片中检测到的兴趣点数目，R为同时在两幅图片中出现的兴趣点数目。
repeatability=R/min(n1,n2)。由于检测方法具有某些不确定性，因此不能对兴趣点的位置要求太过精确，因此只要兴趣点出现在目标位置的一个领域中我们即认为，该兴趣点重复出现。
在论文中，将变形分为不同等级，如视角变化，视角从最左到最右变化（图片放置位置不变，照相机变化），作者评价不同视角的图片的repeatibility，显然正中的repeatibility最大，最左或最右的最小。
（2）information content是对兴趣点描述子的评价指标，评价描述子的distinctiveness，即要求不同的兴趣点具有不同的描述子，如果不同的兴趣点具有相同或相似的描述子，那么在做匹配的时候就会出现问题，因为每个点都可以与它进行匹配。而如果描述子的分布比较分散，那么该描述子的performance将会更好。因此我们的目标即度量该描述子的信息量，在信息学中，通过正式来计算信息量：I=log(1/p)=-log(p),如果p=1，那么事件必然发生，因此没有携带任何信息量，反之，如果p很小，说明该事件发生几率比较小，那么他携带的信息量大。通过熵计算平均信息量。
通过以下步骤计算描述子的信息量：
- 检测数据集中图片的兴趣点
- 通过某种特征提取方法提取特征点描述子
- normalize描述子
- 将描述子通过某种方式划分为几个区域
- 计算每个区域的概率
- 计算熵，熵越大表示信息量越大
虽然现在有很多描述子，但这以上两种评价指标却是通用的。
