使用SIFT功能和SVM进行图像分类

我希望有人可以解释如何使用词袋模型通过SIFT / SURF / ORB功能和支持向量机进行图像分类？

目前，我可以计算图像的SIFT特征向量，并且已经实现了SVM，但是发现很难理解有关如何使用词袋模型来“向量量化” SIFT特征并建立直方图的文献。固定大小的向量，可用于训练和测试SVM。

欢迎访问有关该主题的教程或文献的任何链接，谢谢

如果可以实现SVM，则可以量化功能。:)

通常，使用k均值聚类对特征进行量化。首先，确定您的“词汇量”应该是多少（例如200个“视觉单词”），然后针对该数目的群集（200）运行k均值群集。SIFT描述符是128个元素的矢量，即128维空间中的点。因此，您可以像其他任何点一样尝试将它们聚类。您可以从大量图像中提取SIFT描述符，类似于您希望使用功能包进行分类的图像。（理想情况下，这应该是一组单独的图像，但是在实践中，人们通常只是从他们的训练图像集中获得要素。）然后，您可以在这套大型SIFT描述符上运行k-means聚类，将其划分为200个（或任何其他类）聚类，即将每个描述符分配给一个群集。k均值将为您提供200个聚类中心，

然后，获取图像中的每个SIFT描述符，并通过找到最接近它的聚类中心来确定它属于200个聚类中的哪个。然后，您只需计算每个集群中有多少个功能。因此，对于具有任意数量的SIFT功能的任何图像，您的直方图均为200 bin。那就是您提供给SVM的特征向量。（请注意，术语功能严重超载）。

我记得，关于如何对这些直方图进行归一化有很多工作要做。我可能是错的，但是我似乎想起了一篇论文，该论文声称二进制特征向量（即如果存在至少1个特征，则为1，否则为0）要比直方图更好。您将需要查看文献以获取详细信息，而这些细节很重要。

编辑： MATLAB的计算机视觉系统工具箱现在提供功能包。