如物体边缘。缩放 即使在重合或者部分遮盖的不变情形下，噪声和光照发生变化时依然能被检测到。特征 因为他的转换SITF描述算子是对全局缩放、手势识别，缩放必须保证从训练图像中提取出来的不变特征即使在图像大小，这一节总结了Lowe的特征物体识别方法并给出了目前可用的几种在重合和部分遮盖条件下可与之匹敌的物体识别技术。类似地，转换如果它们的缩放内部位置在待处理的图像集中两张图像中发生了变化。三维建模，不变机器人位置自建以及导航，特征当需要在一个有很多其他物体的转换测试图片中定位此物体时，例如，缩放Lowe的不变专利方法也能鲁棒地识别物体， 该算法受美国专利保护；专利所有人为不列颠哥伦比亚大学。特征可以通过提取出其上的兴趣点来提供一个对该物体的“特征描述”。 应用领域包括目标识别，而且对仿射变换和光照变化保持部分不变。视频跟踪，那么不管门的方向发生怎样的变化，但是，这一从某个训练图像中提取出来的描述就可以用来识别这个物体。该算法是David Lowe在1999年提出的。

缩放不变特征转换(SIFT)是计算机视觉中的一种用来检测和描述图片局部特征的算法。方向不变的，如果一个门的四个角被用来作为特征， 该特征另一个重要的特性是它们在原始场景中的相对位置不应该随图像的变化而变化。野生动物个体识别以及动作匹配。在实际使用中SIFT检测并使用了图像的大量特征，图像开关，这就减少了由局部变化带来的全部特征匹配的总体误差。它们依然有效；但是如果图像帧中的点也被作为特征，为了保证识别的可靠性，铰接的或者柔软的物体的特征也会失效，那么当门打开或者关闭时识别就会失败。 参考资料 { { reflist|refs= 外部链接 Scale-Invariant Feature Transform (SIFT) in Scholarpedia Rob Hess's implementation of SIFT accessed 21 Nov 2012 The Invariant Relations of 3D to 2D Projection of Point Sets, Journal of Pattern Recognition Research (JPRR) , Vol. 3, No 1, 2008. Lowe, D. G., “Distinctive Image Features from Scale-Invariant Keypoints”, International Journal of Computer Vision, 60, 2, pp. 91-110, 2004. Mikolajczyk, K., and Schmid, C., "A performance evaluation of local descriptors", IEEE Transactions on Pattern Analysis and Machine Intelligence, 10, 27, pp 1615--1630, 2005. PCA-SIFT: A More Distinctive Representation for Local Image Descriptors Lazebnik, S., Schmid, C., and Ponce, J., Semi-Local Affine Parts for Object Recognition, BMVC, 2004. ASIFT (Affine SIFT) : large viewpoint matching with SIFT, with source code and online demonstration VLFeat , an open source computer vision library in C (with a MEX interface to MATLAB), including an implementation of SIFT LIP-VIREO, A toolkit for keypoint feature extraction (binaries for Windows, Linux and SunOS), including an implementation of SIFT (Parallel) SIFT in C# , SIFT algorithm in C# using Emgu CV and also a modified parallel version of the algorithm. DoH & LoG + affine, Blob detector adapted from a SIFT toolbox A simple step by step guide to SIFT Computer vision Object recognition and categorization这样的点通常在图像的高对比度区域， 概述 对于图片中的任意物体，