使用 sift 将模板与图像匹配时，您应该做的是针对您的模板运行 sift，然后在场景中的该排列中查找那些 sift 特征。

经验法则：比较喜欢。

筛选（模板）包含在筛选（图像）中

您无法调整 Sift 以提取“您想要的特征” Sift *使用不变的措施来查找它认为最显着的特征。(*克里斯 A)

如果您希望它从您的模板中找到特定功能，请制作这些功能的较小模板并搜索它们。

只是一个建议。我不确切知道您要尝试哪种类型的模板适合哪种类型的场景或图像。

我不确定您是否只想匹配两个图像（例如找到共同点），或者您想尝试类似 CBIR（基于内容的图像检索——使用模板图像搜索数据库以查找所有包含目的）。

我目前正在做 CBIR 研究，所以我非常了解当前的方法。这里和这里是我对来自stackoverflow的与你类似的问题的答案的链接，你应该看看。

现在，稍微谈谈 SIFT。当Lowe首次引入时，术语 SIFT 既适用于特征检测过程，也适用于在那些检测到的兴趣点上计算的特征描述符。直到今天，SIFT描述符已被证明是令人难以置信的真棒。描述符具有@Totero 已经提到的一些很酷的属性。

另一方面，SIFT检测方法，现在越来越多地被称为 DoG（高斯差），不再是最先进的。它仍然被广泛使用，但是对于特征检测的过程，今天有更多的方法，其中一些更好或很好地补充了 DoG 过程提取的不变关键点的类型。

大多数当前的论文（查看链接的 stackoverflow 问题中的链接）有一种更好的做法：它们结合了多种检测特征的方法，然后使用 SIFT 描述符（仍然作为描述符）来计算不变向量表示。我目前正在使用 DoG（它们专注于图像的角状部分）和 MSER 区域（它们专注于通过多个尺度的斑点状区分点）的组合。如果您发现这种组合对您的特定图像数据库不满意，您可能想尝试并尝试并在其中投入更多类型的特征检测器。

此外，如果您有兴趣，这里有一篇评估不同检测和描述符组合性能的论文。由于DoG&MSER + SIFT对我来说很好用，所以我没有读过它，但我已经略读了它并且论文非常好。

PS：如果您无权访问我链接到的 IEEEXplore 数据库，请使用谷歌学者。

基于之前的回复：

(1) 您可以使用具有密集采样的 SIFT（或此局部补丁描述符的另一个改进变体），而不是内置检测器。您可以选择局部补丁的大小和采样密度，以满足您对性能和计算成本的要求。

(2) SIFT是宽基线立体匹配的仿射不变描述符。这意味着当您拍摄图像并对其进行仿射变换时，SIFT 效果很好，其中“模板”必须存在于目标图像中，尽管有变换。

建议： (a) 创建模板图像数据库（如果可能）以提高检测图像的机会。

(b) 如果您选择对您的任务采用 CBIR 方法，您可以使用 BoW 模型作为基准。

(c) 将您的模板图像裁剪为仅相关部分并使用高度密集的 SIFT。 http://www.vlfeat.org/overview/dsift.html

(4) 稍后您可能想尝试多尺度描述符，如 PHOG（梯度金字塔直方图）等，这可能会改善结果。 http://www.vlfeat.org/overview/dsift.html#tut.dsift.phow