包含了从图像输入 到算子检测 ransac算法去除错误匹配点 以及视角转换 和单应矩阵 最后实现拼接

未使用包，python源码实现。 SIFT 尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，2004年完善总结。 其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。 此算法有其专利，专利拥有者为英属哥伦比亚大学。 局部影像特征的描述与侦测可以帮助辨识物体，SIFT 特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用 SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。 SIFT算法的特点有： 1. SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性； 2. 独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配； 3. 多量性，即使少数的几个物体也可以产生大量的SIFT特征向量； 4. 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求； 5. 可扩展性，可以很方便的与其他形式的特征向量进行联合。 SIFT算法可以解决的问题： 目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决： 1. 目标的旋转、缩放、平移（RST） 2. 图像仿射/投影变换（视点viewpoint） 3. 光照影响（illumination） 4. 目标遮挡（occlusion） 5. 杂物场景（clutter） 6. 噪声 SIFT算法的实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。 Lowe将SIFT算法分解为如下四步： 1. 尺度空间极值检测：搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。 2. 关键点定位：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。 3. 方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。 4. 关键点描述：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。 本文沿着Lowe的步骤，参考Rob Hess及Andrea Vedaldi源码，详解SIFT算法的实现过程。 未使用包，python源码实现。

这个代码是pca-sift的MATLAB代码，是原作者自己编写的，广泛适用于初学者。

This is a MATLAB/C implementation of the SIFT detector and descriptor

VLFeat 官方工具包,含有超级多的视觉工具，例如SIFT等等，我就不一一介绍了，下载下来自己去看。

a module for 3D semantic segmentation in point clouds

经典算法SIFT实现即代码解释，有sift算法的实现过程及每一步的解释。可用于初学者理解SIFT算法的思想

可运行的，自己用matlab写的sift特征点检测与匹配程序

基于SIFT算法的特征提取，RANSAC随机采样一致算法的图像配准、融合、拼接Python代码，里边用测试用例

这里是基于Opencv的SIFT和SURF特征进行目标跟踪的源代码，但是代码还有错误，找不到错误的来由