视觉单词 可以 理解为就是 Local Feature
什么是Local Feature 呢
包含两个信息：
坐标位置（x,y）
描述符（描述算子 descriptor） 这个描述符是用来可以被量化比对的 做match
计算机视觉中 最重要的Local Feature 就是SIFT ：Scale Invariant Feature Transform
SIFT 是一种非常典型的 著名的Local Feature
同样包含刚刚说的两个信息：
坐标位置 Detector 检测器
特征描述算子 descriptor 用来描述特征向量
SIFT 不是机器学习学出来的 是科学及根据统计学数学 等等规定出来的，给定一个图片就可以去算它的Local Feature 信息
所以使用opencv 一行api就可以搞定
会输出如上两个信息
假如图像计算出了100个点，
那么它的坐标位置的信息 就会是100*2 的矩阵 100表示点的数量 2表示x和y两个元素
如果是128维的特征向量来描述特征算子 所以还会有 100*128的矩阵 每一行是一个descriptor描述符描述算子 用来对应表示前面每一行的（x,y）的feature
越高清的图片 检测出的点越多
左边的衣服不太可能去匹配到右边的脑门
从几何上来说 大多数线都是平移过来，但是有个别线是斜着的 违背了大方向 是明显错误的 所以把它去掉 这种基于几何校验的方式 非常有名 叫做随机一致性采样 Ransac
视觉单词模型的基本结构
Step1：Feature Extraction 特征提取 会得到两个信息 位置 和 描述算子特征向量
Step2：Codebook Construction 构造词典 其实就是做了聚类，然后取聚类中心构造词典，既可以降维又可以表征特征
Step3：Vector Quantization
假设这是一张图，每个黑色的叉叉是keypoint 或者说 local feature
红色的圆圈是聚类出来的中心
可以看到，黄色的区域，有4个特征点，（截图少一个），y5 是这个区域的聚类中心，都用y5作为特征表达，所以在直方图统计中 对y5的横坐标就会加上4的分量
整个流程就是
Bag of vision words BoVW