利用MATLAB，实现遥感影像图片特征点的匹配，可以清楚再图像上显示匹配的特征点。

一套关于指纹识别的，我带的本科生毕业设计，现在发上来给大家共享，有这方面研究的绝对是好材料。
程序中有指纹图像的归一化，图像分割，图像增强，方向图，细化，特征提取，伪特征去除，特征匹配等等。

数字图像处理（DIA）相关实验，包括matlab的源代码、效果图与论文等参考资料。
任务描述：1. 给定一对图像，利用提取好的SIFT特征文件，根据距离阈值准则（跨图像的局部SIFT特征距离小于0.4），得到图像间的初始局部特征匹配关系；
2. 基于上述初步匹配结果，实现spatialcoding方法，进行匹配校验，确定几何不一致的匹配；
3. 将几何一致的匹配和不一致的匹配在图像上画出来，分别用蓝色和红色进行区分。

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。

通过伪布尔函数多项式优化算法(QPBO)的特征匹配和通过对偶分解（DD）算法的特征匹配对比

目标识别是计算机视觉一个重要的研究领域，由此延伸出的车辆型号识别具有重要的实际应用价值，特别是在当今交通状况复杂的大城市，智能交通系统成为发展趋势，这离不开对车辆型号进行识别和分类的工作，本文围绕如何利用计算机视觉的方法进行车辆型号的识别和分类展开了一系列研究：本文对当前的目标识别和分类的特征和算法做了总结和归纳。
分析比较了作为图像特征描述常见的特征算子，总结归纳了他们的提取方法、特征功能以及相互之间的关联。
另外，介绍了在目标识别工作中常用的分类方法,阐述了他们各自的原理和工作方法。
研究了深度神经网络的理论依据，分析比较了深度神经网络不同的特征学习方法，以及卷积神经网络的训练方法。
分析比较不同特征学习方法的特点选取k-means作为本文使用的特征学习方法，利用卷积神经网络结构搭建深度学习模型，进行车辆车型识别工作。
本文为了测试基于深度学习的车辆型号分类算法的功能在30个不同型号共7158张图片上进行实验；
并在相同数据上利用改进了的SIFT特征匹配的算法进行对比实验；
进过实验测试，深度学习方法在进行车型分类的实验中取得94%的正确率，并在与SIFT匹配实验结果对比后进一步证实：深度学习的方法能够应用在车辆型号识别领域

针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。
利用TensorFlow框架,构建了特征提取网络和多层特征匹配网络。
基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。
基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。
实例分析表明,与非深度学习检测模型相比,所提模型可愈加有效地完成异常用电模式检测。
此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。

本案例是利用Matlab来查找两幅图像的不同之处，利用SURF特征匹配的算法将图片对齐，之后采用形状学算法，对图像进行处理。
大家下载之后可以快速的入门，欢迎大家下载。

针对水下双目图像匹配时不再满足空气中极线约束条件以及尺度不变特征变换(SIFT)特征匹配算法处理水下图像误匹配率较高等问题，提出一种基于曲线约束的水下特征匹配算法。
对双目摄像机进行标定获取相关参数，再获取参考图和待匹配图；
利用SIFT算法对两幅图像进行匹配，同时利用由参考图提取的特征点推导出其在待匹配图上对应的曲线，将该曲线作为约束条件判定待匹配图上对应特征点能否在曲线上，从而剔除误匹配点，以达到提高精度的目的。
实验结果表明，该算法优于SIFT算法，可以有效地剔除误匹配点，比SIFT算法匹配精度提高约12%，解决了SIFT算法在水下双目立体匹配中误匹配率高的问题。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。