L’objectif du travail présenté est de réguler, en s’appuyant sur des propriétés statistiques des images naturelles, la détection de points d’intérêt, ou de coins. Les coins représentent les descripteurs de base de la vision robotique, et permettent aux véhicules autonomes de naviguer et de cartographier leur environnement. Un nombre insuffisant de détections n’assure pas la stabilité de ces tâches, alors qu’un nombre trop élevé submerge l’unité de calcul et empêche le système d’effectuer les traitements en temps réel. Notre solution permet à un utilisateur de s’affranchir de nombreux paramètres qui assurent le bon fonctionnement d’algorithmes de navigation et qui doivent être réglés en fonction de l’architecture utilisée, de la quantité de données à traiter (résolution, fréquence d’images), et des variations de saillance de l’environnement. Cet algorithme adaptatif de sélection a été testé en entrée d’un algorithme de SLAM, et les résultats montrent que la durée du traitement par image est régulière, et que la navigation est plus précise.