这个是通过MATLAB来实现的特征提取算法，稳定性好，效率高用MATLAB实现的sift算法

语言：MATLAB—交通标志识别（选颜色定位，分割，bp神经网络方法识别，可模板，sift，svm等方法识别）

基于SIFT特征点提取和RASIC算法实现全景图像拼接python源码(课程大作业).zip SIFT特征点提取和RASIC算法 OpenCV+Python图像拼接（全景图片拼接技术） 基于SIFT特征点提取和RASIC算法实现全景图像拼接python源码(课程大作业).zip SIFT特征点提取和RASIC算法 OpenCV+Python图像拼接（全景图片拼接技术） 基于SIFT特征点提取和RASIC算法实现全景图像拼接python源码(课程大作业).zip SIFT特征点提取和RASIC算法 OpenCV+Python图像拼接（全景图片拼接技术） 基于SIFT特征点提取和RASIC算法实现全景图像拼接python源码(课程大作业).zip SIFT特征点提取和RASIC算法 OpenCV+Python图像拼接（全景图片拼接技术） 基于SIFT特征点提取和RASIC算法实现全景图像拼接python源码(课程大作业).zip SIFT特征点提取和RASIC算法 OpenCV+Python图像拼接（全景图片拼接技术）

基于传统图像处理方法实现手指静脉识别Matlab源码99.56%准确率+项目操作说明（毕设项目）.zip 【项目介绍】 本项目实现手指图像的处理和匹配算法，需要处理的数据是本人不同手指的图像，首先经过图像处理，使得指静脉的纹理增强凸显处理，然后将所有的这些图像进行相互间的匹配，检验类内和类间的匹配度，观察其是否能够明显区分开来，并据此计算正确率。 在本项目中，由于是基于算法原型的研究，因此我们选用了操作便捷的Matlab R2019b软件作为运行环境，在Windows 10 Pro for Workstation操作系统中实现算法。 图像预处理过程中，需要增强图像，提取手指区域，为识别做准备。拟采用CLAHE、直方图均衡、二值化等算法，以达到增强图像的效果；拟采用边缘检测算法实现手指的识别和提取 图像的特征提取和匹配过程中，拟采用两类不同的方法。一是局部不变特征提取算法。这些算法具有检测图像中的特征点，并对特征点的局部区域进行描述和匹配的功能。二是针对二值化图像的模板匹配，检测其匹配度。 SIFT——正确率93.625%

此 MATLAB 练习设计并实现了一个基音周期检测器，该检测器基于检测和跟踪浊音区域期间 LPC 误差信号自相关中的峰值。 音高检测过程称为 SIFT（简单逆滤波跟踪）方法。 SIFT 基音周期检测器使用二次自相关峰值来检测和校正由于基音周期加倍和相关现象等效应引起的基音周期检测误差。 文件“4.6 LPC Sift Pitch Detector.pdf”提供了本练习的用户指南。

在windows10+visual stidio 2015环境下，编译的opencv3.4.0，可以直接解压，然后配置进VS2015用，里面已经扩展了opencv_contrib组件。即可以使用特征点检测如SIFT等函数。具体怎么配置，直接百度即可。

压缩包中包含sift和surf的图像配准，先用sift或者surf特征提取，然后进行特征匹配，最后还用RANSAC进行误匹配剔除。sift是在Lowe官网源码上进行更改，surf直接使用MATLAB自带函数detectSURFFeatures()。

david lowe SIFT论文 Object Recognition from Local Scale-Invariant Features 中文 翻译，自己翻译的，多多支持

特征检测和特征匹配方法介绍，包括Harris角点，FAST角点，SIFT算法、SURF算法等的介绍以及各个算法之间的比较和总结

常规的行人目标检测方法往往以底层特征为基础，采用密集窗口扫描的分类检测模式，其计算资源开销大而难以满足快速性要求。针对此问题，研究了一种新的行人目标快速检测方法。引入视觉选择性注意计算进行目标候选区域定位，通过提取候选区域的积分有向梯度直方图IHOG（integrated histogram of oriented gradient）特征和局部二值模式LBP（local binary pattern）特征以形成组合优势，通过级联支持向量分类方式对区域内容进行分级检测，实现了快速、可靠的行人目标检测。 DE