针对现有的SIFT特征在车辆细粒度分类中存在的分类精度低的问题，提出了一种融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类算法。首先采用SIFT算法与Fisher Vector算法相结合的方式提取车辆图像的FV-SIFT特征，然后采用VGG-16卷积神经网络提取车辆图像的深度卷积特征，最后将FV-SIFT特征与深度卷积特征进行线性融合并采用支持向量机对融合后的车辆特征进行分类。实验结果表明，该方法的分类准确率达到82.3%，较FV-SIFT算法在分类准确率上提高了15.4%。

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！

MATLAB平台：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）

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()。