C 特征匹配源码，都是一些特征匹配类文件，在开发的时候用得上，基于opencv的特征匹配，用的算法是sift，包含大部分源代码，懂得的朋友按照文件加载即可使用。

基于视觉的室内场景定位与建图（VSLAM）在智能设备自主定位与导航领域内扮演着极为重要的作用，但是当前主流算法的回环检测及重定位环节上在动态光照情况下存在匹配丢失，严重影响定位累计误差的修正与建图精度。因此提出了基于一种改进的点云特征提取与匹配的定位方法，将由RGB图像得到的点云通过聚类的方法分割成一个个稳定区域，并建立基于面片特性及相互空间关系的场景特征描述，最后通过该特征描述进行两帧图像的数据关联及相机的定位，利用更具有鲁棒性的区域特征提取方法克服光照变化情况下的视觉定位不足问题。实验证明提出的方法不仅可以适应动态光照环境，而且定位效果优于目前主流的基于图像点特征的定位算法。

以曲率图作为三维点云数据的特征描述函数，并运用曲率图实现了三维点云数据的配准．对于含有噪声的点云数据，先根据每个点的邻域特性估算其曲率值，然后根据每个点及其周围邻域点的曲率值构造该点的曲率图．通过在多比例空间下曲率图的特征保持分析，可提取到最能反映该点云数据特征的特征点集．对于两两配准，这些特征点集被用于三维点云数据的粗略配准算法中，该算法利用点云内部空间点相对位置在刚性变换下的不变特性实现了特征点对的匹配，由匹配的特征点对进行坐标变换求解，完成了两三维点云的粗略配准，然后运用迭代最近点算法进行精确配准．最后将整个配准算法应用于真实的三维点云数据，结果表明该算法能有效抑制点云采样密度及噪声的影响，能够快速实现点云数据的精确配准．

基于SIFT的图像配准程序 SIFT特征匹配算法是目前国内外特征点匹配研究领域的热点与难点,其匹配能力较强,可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题,甚至在某种程度上对任意角度拍摄的图像也具备较为稳定的特征匹配能力！

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

提出了使用改进的伪逆方法从CIE三刺激值恢复光谱反射率的过程。 与以前的光谱恢复方法不同，此方法使用基于颜色特征匹配的新样本选择标准来选择一系列合适的样本，以创建自适应的变换矩阵来重建光谱反射率。 考虑到计算时间和准确性，通过预先划分光谱反射率来创建动态子组，并通过动态子组中的样本与目标样本之间的样本相似性/不相似性来创建自适应子集。 因此，代替仅将一个变换矩阵应用于重构过程，而是使用颜色特征匹配从自适应子集获得了一系列自适应变换矩阵。 这项研究应用了三个不同的光谱反射率数据集和三个不同的误差度量。 根据所考虑的所有误差度量，该方法非常准确，并且优于伪逆方法和加权伪逆方法，它们在重构光谱反射率方面是有效的。

在进行相机图像匹配的时候，一般的情况下我们是使用的双目相机，但是二者的视角是几乎近似平行的，平时我们所选的图像匹配的算法是sift surf算法，但是当两个相机之间的角度是大于15°的时候，此刻两个相机拍出的图像并不是视角平行的图像，使用常规的方式进行图像匹配的时候，会非常的困难，这篇文章对于传统的sift算法进行改进，进而将实现对于大角度相机角度变化之间的图像的匹配。

基于C++的基本库实现了SIFT特征提取与匹配，不需调用如OpenCV等库函数。本代码基于ezSIFT代码，在其基础上进行了一定程度的简化优化，同时调整了代码结构并添加了注释。

文章目录1. 角点检测Harris角点检测Shi-Tomasi角点检测2.特征匹配KNNORB3. 图片拼接4.图像插值 1. 角点检测 Harris角点检测 import cv2 import numpy as np from matplotlib import pyplot as plt img=cv2.imread('timg.jpg') #原图为彩色图，可将第二个参数变为0，为灰度图 gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 输入图像必须是float32， 最后一个参数[0.04,0.06] gray = np.float32(gra

基于fpga的数字识别，使用的是特征模版匹配法