本文介绍了使用SIFT特征进行模式识别的方法，包括通过K-means聚类生成BOW模型，SVM训练以及测试图像的特征匹配。详细步骤涉及特征提取、距离计算和SVM预测，旨在实现图像的精准分类。同时，文章阐述了SIFT特征匹配的原理，用于确定两图像间对应特征的角度关系。更多计算机视觉的内容，可在作者的博客和微博中找到。
总的来说，模式识别方法分两步：train&predict.
经过谭敏师姐细心讲解和细读 siftdemov4 code，将这两部的理解解释如下:
(以下提到的feature都是指sift feature)
一、train
二、predict
<
经过谭敏师姐细心讲解和细读 siftdemov4 code，将这两部的理解解释如下:
(以下提到的feature都是指sift feature)
一、train
1.提取+/- sample的feature，每幅图提取出的sift特征个数不定（假设每个feature有128维）
2.利用聚类方法（e.g K-means）将不定数量的feature聚类为固定数量的(比如10个)words即BOW（bag of word）
3.normalize，并作这10个类的直方图e.g [0.1，0.2，0.7，0...0];
4.将each image的这10个word作为feature_instance 和 (手工标记的) label（+/-）进入SVM训练
二、predict
<
扫一扫
3160
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
