实现兴趣点检测；实现类SIFT局部特征描述；实现简单匹配算法 包含完整代码与作业说明文档 使用python语言

研究@ Magic Leap（CVPR 2020，口腔） SuperGlue推理和评估演示脚本 介绍 SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。 此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。 给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。 SuperGlue充当“中端”，在单个端到端体系结构中执行上下文聚合，匹配和过滤。 有关更多详细信息，请参见： 全文：PDF： 。 作者： Pa

Generally, image-based evaluation on the performance of textile appearance such as smoothness and pilling was interfered by fabric pattern, color, and illumination. In this paper, a new method was used to reconstruct a 3D surface of fabric based on image's features which could eliminate the influence of surface texture. Concretely, two parallel-placed digital cameras were calibrated based on planar pattern and the captured binocular images were rectified through epipolar line. The feature points

最新的feature matching算法

LoFTR：与变压器互不影响的无检测器局部特征 | LoFTR：与变压器互不干扰的本地特征匹配*，*， *，，CVPR 2021 代码发布ETA 我们计划在接下来的一周内发布仅推理的代码和预训练的模型，敬请期待。 用于数据预处理，培训和验证的整个代码库正在进行重大重构，并将于6月左右发布。 如果您希望收到代码发布的通知，请订阅。 同时，在中欢迎对该文件进行。 引文 如果您发现此代码对您的研究有用，请使用以下BibTeX条目。 @article{sun2021loftr, title={{LoFTR}: Detector-Free Local Feature Matching with Transformers}, author={Sun, Jiaming and Shen, Zehong and Wang, Yuang and Bao, Hujun and Zhou, Xiao

计算机视觉作业（二）特征匹配是图像处理和计算机视觉的核心组成部分。在本次实验中，我们将创建一个局部特征匹配算法，并尝试匹配真实场景的多个视图。将实现一个简化版本的sift，用于解决局部特征匹配问题，使检测到的特征对遮挡和杂波具有鲁棒性。由于特性是本地的，可以在一张图像中生成数百或数千个特性，同时能够实现实时性能。我们使用Harris角点检测器和sift特征描述符来生成关键点,同时也使用了自适应非最大抑制来获得图像上的均匀分布的角。