SIFT 和 HOG 特征描述符答案

【问题标题】：SIFT and HOG features descriptorsSIFT 和 HOG 特征描述符
【发布时间】：2014-05-15 11:37:50
【问题描述】：

嘿嘿，，，我要做分类。对于描述符，我计划使用来自LOWE的HOG和SIFT描述符..

 1. For HOG, is that true that we need to compute the gradient of all image's pixels?? 
 For example we have image with size 10x10 pixels. And we compute the HOG to seek the orientation        
 for every pixels of image. And eventually we will get 100 orientations and generate histogram   
 (represent all of those image's pixels orientation). This Histogram is going to be used for the      
 classification??
 And to get the scale invariant we need to perform this descriptor of different size (scale)     
 images??

SIFT 是尺度不变特征变换。所以它是缩放和旋转不变的。
我读到from here 说在 SIFT 中我们需要使用高斯进行平滑处理来制作我们的图像
分辨率变低了。。

   2. Why we have to do that?
   And for scale invariant features, how to obtain that in SIFT?? Do we need to rescale our image   
   in every octave and then apply Gaussian filter in this new scaled images?? Or it's enough to   
   get scale invariant only in 1 octave by applying 3 times gaussian filter??
   How about the histogram, Is it same with HOG that we have to compute all the pixels???

谢谢

【问题讨论】：

嗨，欢迎来到 SO。您的问题除了格式不正确之外，与编程无关。找出理论并返回您可能遇到的任何实施问题。

标签： matlab classification sift feature-extraction

【解决方案1】：

如果您计划实施 SIFT，至少您应该阅读 Lowe 的论文，因为它是 CV 历史上被引用次数最多的论文之一！

在 SIFT 中应用高斯平滑以计算 DOG（高斯差）。然后执行Scale Extrema Detection，您将检测到特征点。

一旦你有了这个特征点，你就需要计算每个特征的 HOG。您不需要为整个图像计算它！由于我们采用 16x16 邻域，因此结果将是 128 长度的描述符。

比例不变是因为梯度是在每个关键点周围的窗口中相对于关键点的比例进行采样的。

但是，您应该再次阅读 Lowe 的论文，因为那里非常清楚。要真正理解SIFT，你还应该清楚一些概念，如特征点、HOG、DOG等

【讨论】：