En raison de son rôle dans de nombreuses tâches de vision par ordinateur, l'appariement d'images a fait l'objet d'une recherche active de la part des chercheurs, ce qui a conduit à des descripteurs de caractéristiques plus performants et plus discriminants, ainsi qu'à des stratégies d'appariement plus robustes, grâce notamment à l'avènement de l'apprentissage profond et à la puissance de calcul accrue du matériel moderne. Malgré ces avancées, le processus d'extraction de points clés au cœur du pipeline d'appariement d'images n'a pas connu des progrès équivalents. Cet article présente HarrisZ$^+$+, une amélioration du détecteur de coins HarrisZ, optimisée pour tirer parti synergieusement des récentes améliorations des autres étapes du pipeline d'appariement d'images. HarrisZ$^+$+ ne se limite pas à un ajustement des paramètres de configuration, mais introduit également des raffinements supplémentaires aux critères de sélection définis par HarrisZ, fournissant ainsi un nombre plus important de points clés tout en maintenant leur caractère discriminant, avec une distribution plus uniforme sur l'image et une précision de localisation supérieure. Le pipeline d'appariement d'images incluant HarrisZ$^+$+, associé aux autres composants modernes, a obtenu des résultats à l'état de l'art dans diverses évaluations récentes d'appariement, se classant parmi les pipelines classiques d'appariement d'images. Ces résultats sont très proches de ceux obtenus par les approches entièrement profondes et entraînables bout-à-bout les plus récentes et montrent qu'il existe encore une marge significative d'amélioration que la recherche peut apporter aux méthodes classiques d'appariement d'images.