Harris 角點定義為一個鄰域內存在兩個正交方向上梯度變化較大的點。
作 xy 平面上的二維函數，使用自相關函數可描述圖像上一固定點在任意方向上的灰度變化；然后利用泰勒級數展開自相關函數，即可將其轉換為矩陣特征值問題（參考博文 "光流跟蹤"）。
在某些應用中（如視覺測量），想獲得更加精確的角點定位，可使用角點亞像素算法實現。
在提取亞像素邊緣時，可以通過數學建模（最小二乘法）來描述邊緣方向上一階導數曲線，該曲線為一個二次函數；然后找到數學模型的最值點即為亞像素邊緣位置。
對於 Harris 角點，考察 角點鄰域內點 p 的梯度向量，p點與初始角點 q 構成的向量 ，在理想情況下，發現兩向量點積均為 0。具體來說：
1）當 p 點位於平坦區域內，p 的梯度向量為 0，兩向量點積為 0；
2）當 p 點位於邊緣上，p 的梯度向量於向量 qp 正交，兩向量點積仍然為 0。
如上圖所示，將 q 點坐標當作未知量，通過解方程組即可求得更加精確的角點坐標。一旦求解到新的角點坐標，可以使用新的角點坐標位起點，按同樣方法建立方程組，迭代求解，直到精度滿足要求。
在實際應用中，當考察點離參考角點 q 較近時，角點附近點存在兩個方向梯度，故合成梯度方向與 qp 邊緣基本不能正交；
當考察點離參考角點 q 較遠時，考察點多半位於邊緣上，故考察點梯度方向與 qp 邊緣基本正交；
所以，實際應用中會排除離 p 點較近的部分點，以提升線性方程組可解性。
另一方面，在平坦區域內點的梯度一般不等於 0，這會提升方程組真實解。可以設定一個梯度門限，方程組僅接收梯度門限較大值，從而提升可解性。
參考資料 Learning OpenCV 3