Detection and analysis of informative keypoints is a fundamental problem in image analysis and computer vision. Keypoint detectors are omnipresent in visual automation tasks, and recent years have witnessed a significant surge in the number of such techniques. Evaluating the quality of keypoint detectors remains a challenging task owing to the inherent ambiguity over what constitutes a good keypoint. In this context, we introduce a reference based keypoint quality index which is based on the theory of spatial pattern analysis. Unlike traditional correspondence-based quality evaluation which counts the number of feature matches within a specified neighborhood, we present a rigorous mathematical framework to compute the statistical correspondence of the detections inside a set of salient zones (cluster cores) defined by the spatial distribution of a reference set of keypoints. We leverage the versatility of the level sets to handle hypersurfaces of arbitrary geometry, and develop a mathematical framework to estimate the model parameters analytically to reflect the robustness of a feature detection algorithm. Extensive experimental studies involving several keypoint detectors tested under different imaging scenarios demonstrate efficacy of our method to evaluate keypoint quality for generic applications in computer vision and image analysis.

中文翻译：

---

通过聚类核心对应指数评估空间关键点的稳定性

信息关键点的检测和分析是图像分析和计算机视觉中的基本问题。关键点检测器在视觉自动化任务中无处不在，近年来，此类技术的数量激增。由于关键点检测器固有的含糊性，因此评估关键点检测器的质量仍然是一项艰巨的任务。在这种情况下，我们介绍了一种基于参考的关键点质量指数，该指数基于空间模式分析的理论。传统的基于对应关系的质量评估会计算指定邻域内特征匹配的数量，我们提出了一个严格的数学框架，以计算由关键点参考集的空间分布定义的一组显着区域（聚类核心）内部检测的统计对应关系。我们利用水平集的多功能性来处理任意几何形状的超曲面，并开发一个数学框架来分析地估计模型参数，以反映特征检测算法的鲁棒性。涉及在不同成像场景下测试的多个关键点检测器的广泛实验研究表明，我们的方法可有效评估计算机视觉和图像分析中通用应用的关键点质量。并建立数学框架以分析性地估计模型参数，以反映特征检测算法的鲁棒性。涉及在不同成像场景下测试的多个关键点检测器的广泛实验研究表明，我们的方法可有效评估计算机视觉和图像分析中通用应用的关键点质量。并建立数学框架以分析性地估计模型参数，以反映特征检测算法的鲁棒性。涉及在不同成像场景下测试的多个关键点检测器的广泛实验研究表明，我们的方法可有效评估计算机视觉和图像分析中通用应用的关键点质量。