OpenCV SVM 分类器 图像识别

Question

我正在使用 C++ 和 OpenCV 3.3.1
我尝试使用 OpenCV 训练 SVM，我的步骤是：

1. 预处理图像
2. 使用 SURF 进行特征提取
3. 创建用于学习正面和负面图像的数据集
4. 重塑图像 1 行 1 功能
   
5. 使用 -1 表示负数和 +1 表示正数来创建 labelmat
6. 学习 SVM
7. 预测

现在我的问题是： 假设我的图像是 128 x 128 并且在特征提取之后我得到了一个 Mat 重塑后有 16 行和 128 列，我得到了 1 行和 2048 列，现在是用这种大小的行和列训练的 SVM。当我尝试用我的 SVM 进行预测时，我遇到了一个问题，即 SVM 想要相同大小的特征 Mat（1 行和 2048 列），但我的预测图像与学习图像有更多的特征，所以预测的 Mat 是一种方法根据需要更大。

与我用于学习的图像相同的预测效果很好，所以我猜 SVM 有效。

如何将 SVM 用于更大的图像？

Answer 1

通过使它们成为 1X 2048 特征来使用 SURF/SIFT 描述符并不是一个好主意，原因有两个：

1. 您正在限制每个图像的有用特征数量 (=16)，如果特征数量不同于 16，则会出现错误。即使你每次都强制使用 16 个特征，你最终可能会丢失特征，因此结果会降级

2. 您正在为 2048 维训练 SVM 分类器，而未利用提取的特征描述符之间的任何关系。

更强大和更标准的方法是使用词袋。 您可以使用词袋和直方图方法从 SIFT 特征中获得 K 维描述符，然后在该 K 维描述符上训练 SVM 分类器，每个图像都将是相同的。

此链接可能对您有所帮助，

https://www.codeproject.com/Articles/619039/Bag-of-Features-Descriptor-on-SIFT-Features-with-O

如果你想使用 MATLAB；那么 vlfeat 就有了整个流水线的实现。