比较没有 SVM 的 HOG 特征向量答案

【问题标题】：comparing HOG feature vectors without SVM比较没有 SVM 的 HOG 特征向量
【发布时间】：2017-12-13 06:29:10
【问题描述】：

我相对是计算机视觉的新手，现在正在做一个关于形状检测的学习项目，我在所有最有可能出现对象的图像中都有一个固定的感兴趣区域 (ROI)，我必须比较它们的形状给出两个输入图像中存在的对象是否相同。有轻微的平移和尺度变化以及光照变化。

我正在尝试比较两个输入图像之间对象的形状，并尝试提供描述它们相似性的输出值。如果相似度高于某个阈值，我可以判断两个输入图像中都存在同一个对象。

我已经尝试过轮廓，但它没有给出可靠的结果（阈值要么给出太多细节，要么错过一些重要细节）并且不能很好地概括所有图像。我正在考虑使用像 HOG 这样的全局形状描述符。

但我在理解 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个输入图像的 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？

我不明白距离测量如何用于比较未来向量。我想了解如何使用距离来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？

【问题讨论】：

否决这个问题的原因是什么？据我搜索，网络上任何地方的 HOG 上的这个问题都没有合理的答案。此外，对于像我这样想要使用形状描述符的新手来说，答案将非常有帮助。如果您有此主题的知识，请回答问题。谢谢

【解决方案1】：

抱歉，您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的向量的距离。不要想太多，会害死你的

在您的情况下，您使用 HOG 特征作为图像表示的向量。所以计算它们之间的欧几里得距离。那个值是有相似性的。

你可以看matlab pdist method找到一个简单易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你的图像。更好的图像代表导致更好的性能。例如：词袋、CNN 等。有很多，对于像你这样的新手来说，从 Bag-of-word 开始。

希望对您有所帮助，欢迎来到计算机视觉世界

【讨论】：

感谢武嘉长。问题是我想避免使用任何学习方法，因为这可能是矫枉过正，而且我没有任何训练图像。除了欧几里得距离之外，还有其他方法可以通过传统的图像处理技术来比较HOG向量吗？
据我所知，Bag of Words 是一种基于机器学习的文本分类方法，对吗？
不，你不是。在 CNN 出现之前，词袋被用来对几乎所有东西进行分类。这是传统的分类方法。像 Bag-of-word 这样的东西只是帮助你找到更好的图像表示向量。您使用 HOG 特征作为图像表示向量，因此它们之间的距离就是它们的相似性。还有其他方法，我在答案中添加了
好的，谢谢。我会尝试 BOW 和其他距离测量，并检查它是否适合我。如果可能的话，请为这个问题投票，以便其他知道其他方法的人也可以分享他们的想法。
@SakthiGeek 可以分享用于比较 HOG 功能的代码。