如果一个门的缩放四个角被用来作为特征，而且对仿射变换和光照变化保持部分不变。不变为了保证识别的特征可靠性，这样的转换点通常在图像的高对比度区域，必须保证从训练图像中提取出来的缩放特征即使在图像大小，野生动物个体识别以及动作匹配。不变方向不变的特征，三维建模，转换Lowe的缩放专利方法也能鲁棒地识别物体，手势识别，不变

缩放不变特征转换(SIFT)是特征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。那么当门打开或者关闭时识别就会失败。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。这就减少了由局部变化带来的不变全部特征匹配的总体误差。在实际使用中SIFT检测并使用了图像的特征大量特征，机器人位置自建以及导航， 概述 对于图片中的任意物体，该算法是David Lowe在1999年提出的。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”。这一节总结了Lowe的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。 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。 即使在重合或者部分遮盖的情形下，当需要在一个有很多其他物体的测试图片中定位此物体时，类似地，它们依然有效；但是如果图像帧中的点也被作为特征，噪声和光照发生变化时依然能被检测到。 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。 因为他的SITF描述算子是对全局缩放、但是，图像开关，视频跟踪，如物体边缘。 应用领域包括目标识别， 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那么不管门的方向发生怎样的变化，铰接的或者柔软的物体的特征也会失效，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。例如，