对于计算机视觉应用中各种具体任务来说,有效和高效的检测有效特征是至关重要的一步。在人脸识别、目标跟踪等领域都涉及特征检测与识别,对于这些领域中能够检测识别出高质量的特征至关重要。随着深度学习的崛起,将传统快速检测识别特征的算子与深度学习模型进行有效结合,既丰富深度学习的卷积操作,又使得深度学习具有更加灵活更加快速检测出高质量的特征。在图像处理方向以及语音识别方向取得巨大成功。在低质量的图像中,即有大量噪声的图像,特征检测以及识别的相关算法在应用时具有极大挑战。尤其在实时系统中快速对图像进行预处理在计算机视觉中具有关键意义,要在短时间内能够准确检测出高质量特征。传统算子很少能够经受得住识别效果强以及运行时间短的双重考验,本文提出一种基于FAST算子的方法,既利用其快速捕获特征之能力,又规避对椒盐噪声敏感之弱势,在不进行图像预处理情况下可以得到高质量特征。通过对FAST算子数据结构重塑,使其对噪声有较强的抵抗能力。本文通过计算积分核而非计算图像中的某一像素点,将相互重叠的积分核与待检测积分核进行计算。得到结果相对于FAST算子在抗噪方面更具有鲁棒性。将本文提出的LMFIIK算子应用于神经网络结构的卷积操作中,在低质量样本中卷积操作可以快速获取到高质量特征,并结合深度学习优势加快特征检测与识别速度以及效率。本文提出了一种新的关键点检测与描述方法LMFIIK,该方法具有高质量和可重复性的特点,可用于实现实时应用,抵抗脉冲噪声。本文提出的局部中值滤波器(Local Median Filter)减少了预处理的时间,从而保持了低计算代价。局部中值滤波仅滤波待检测点周围的像素点,而不是输入图像的所有像素点,更加节省了特征检测的图像预处理步骤的处理时间。LMFIIK基于积分图像而非通过原像素点操作,增强角点检测的可靠性。将本文提出的算子应用与卷积神经网络(CNN)中,获取更加优质的特征并应用与人脸识别相关领域中。由实验结果得出结论,本文所构建的特征检测算法结合神经网络结构与其他已有方法相比,在运行时间以及检测准确率都大幅提升,尤其在噪声方面优于其他基于FAST算子的方法。能够在复杂环境中检测出有效特征。