现HOG特征角点检测，SIFT算法进行特征匹配

HOG（Histogram of Oriented Gradients）特征和SIFT（Scale-Invariant Feature Transform）算法都是计算机视觉领域中常用的特征提取和匹配方法。

HOG特征主要用于目标检测和行人识别等场景，它通过计算图像中像素点的梯度方向直方图，来描述图像中的物体形状和纹理信息。HOG特征提取过程中，需要将图像划分成若干个小的块，并计算每个块内像素点的梯度方向直方图，最后将所有块的直方图拼接起来形成最终的特征向量。

SIFT算法主要用于图像匹配和物体识别等场景，它通过检测图像中的关键点，并提取这些关键点周围的局部特征描述符，来描述图像的特征。SIFT算法提取过程中，需要检测图像中的关键点，并对每个关键点附近的像素点进行高斯加权，然后计算每个像素点的梯度方向和大小，最后形成一个128维的局部特征向量。

在实际应用中，HOG特征和SIFT算法经常结合使用，例如在目标跟踪中，先使用HOG特征提取物体的形状信息，然后再使用SIFT算法对物体进行精细的特征匹配。