Aufgrund seiner Rolle in vielen Aufgaben der Computer Vision wurde das Bildabgleichsverfahren von Forschern intensiv untersucht, was zu besseren und diskriminierenderen Merkmalsdeskriptoren sowie zu robusteren Abgleichstrategien geführt hat. Dies ist auch dem Erscheinen des Deep Learnings und der erhöhten Rechenleistung moderner Hardware geschuldet. Trotz dieser Erfolge hat der Schlüsselpunkterkennungsprozess, der die Grundlage des Bildabgleichsworkflows bildet, vergleichbare Fortschritte nicht gesehen. In diesem Artikel wird HarrisZ$^+$+ vorgestellt, eine Verbesserung des HarrisZ-Eckendetektors, der optimiert wurde, um synergetisch von den jüngsten Verbesserungen der anderen Schritte des Bildabgleichsworkflows zu profitieren. HarrisZ$^+$+ besteht nicht nur aus einer Anpassung der Setup-Parameter, sondern führt zusätzliche Verfeinerungen der Auswahlkriterien ein, die vom HarrisZ definiert wurden. Dadurch werden mehr, aber dennoch diskriminierende Schlüsselpunkte bereitgestellt, die besser auf dem Bild verteilt sind und eine höhere Lokalisierungsgenauigkeit aufweisen. Der Bildabgleichsworkflow, der HarrisZ$^+$+ enthält und zusammen mit anderen modernen Komponenten eingesetzt wird, erzielte in verschiedenen aktuellen Matching-Benchmarks unter den klassischen Bildabgleichsmethoden erstklassige Ergebnisse. Diese Ergebnisse liegen nahe an denen von den neueren vollständig tief lernfähigen End-to-End-Ansätzen und zeigen, dass es immer noch einen angemessenen Verbesserungsspielraum gibt, den die Forschung in klassischen Bildabgleichsmethoden bieten kann.