代码之家 › 专栏 › 技术社区 › Sakthi Geek

无支持向量机的HOG特征向量比较

feature-descriptor feature-extraction distance opencv python

7

Sakthi Geek · 技术社区 · 7 年前

我对计算机视觉相对来说是个新手,现在正在做一个关于形状检测的学习项目,在所有可能存在对象的图像中,我都有一个固定的感兴趣区域(ROI),我必须比较它们的形状,以确定两个输入图像中存在的对象是否相同。有轻微的平移和比例变化以及照明变化。

我试图比较两幅输入图像之间对象的形状,并试图提供描述其相似性的输出值。如果相似度高于某个阈值,我可以判断两个输入图像中存在相同的对象。

我尝试过轮廓,但它并没有给出可靠的结果(阈值化要么提供了太多的细节,要么遗漏了一些重要的细节),也不能很好地推广到所有图像。我正在考虑使用全局形状描述符,如HOG。

但是我在理解HOG描述符中的特征向量值时遇到了问题。如何在不使用SVM或机器学习的情况下,比较两幅输入图像的HOG特征向量(1D)以找到相似性?比较HOG特征向量的最佳方法是什么?

我不明白距离度量是如何用于比较未来向量的。我想了解距离如何用于比较特征向量和直方图的物理意义?如何使用它们来比较HOG特征向量?

1 回复 | 直到 7 年前

1

5

Vu Gia Truong 7 年前

对不起,你的问题实际上很难理解。我认为你走错了方向。

How to compare HOG feature vectors(1D) for the two input images to find similarity without using SVM or machine learning?

SVM是将向量与字典进行比较以找到最正确答案的工具。对于相似度,它只是两个图像表示向量的距离。不要想得太多,那会害死你的

在您的例子中,使用HOG特征作为图像表示的向量。所以计算它们之间的欧几里德距离。这个值就是相似性。

你可以看到 matlab pdist method 找到一个易于使用的距离计算方法列表。

这里的问题不是如何比较特征向量,而是如何用单个向量表示图像。更好的图像表示会带来更好的性能。例如:文字袋、CNN等。有很多,对于像你这样的新手来说,从一大堆单词开始。

希望对您有所帮助,欢迎来到计算机视觉世界