应用Sift算子的模式识别方法 内核篇

博客地址：http://blog.csdn.net/abcjennifer/article/details/7372880

总的来说，模式识别方法分两步：train&predict.
经过谭敏师姐细心讲解和细读 siftdemov4 code，将这两部的理解解释如下:
(以下提到的feature都是指sift feature)


一、train

1.提取+/- sample的feature，每幅图提取出的sift特征个数不定（假设每个feature有128维）

2.利用聚类方法（e.g K-means）将不定数量的feature聚类为固定数量的(比如10个)words即BOW（bag of word）

3.normalize，并作这10个类的直方图e.g [0.1，0.2，0.7，0...0];

4.将each image的这10个word作为feature_instance 和 (手工标记的) label（+/-）进入SVM训练

二、predict

1. 提取test_img的feature（如137个）

2. 分别求each feature与10个类的距离(e.g. 128维欧氏距离)，确定该feature属于哪个类

3. normalize，并作这10个类的直方图e.g [0，0.2，0.2，0.6，0...0];

4. 应用SVM_predict进行结果预测

                                                                                                                                                                        

另外，讲一下有关两个img的sift特征match：

[cpp]  view plain  copy

1. des2t = des2';                          % Precompute matrix transpose转置  
2. for i = 1 : size(des1,1)  
3.    dotprods = des1(i,:) * des2t;        % Computes vector of dot products两幅图像的keypoints的128个维度做点积  
4.    [vals,indx] = sort(acos(dotprods));  % Take inverse cosine and sort results，将点积的逆余弦排序  
5.   
6.    % Check if nearest neighbor has angle less than distRatio times 2nd.  
7.    if (vals(1) < distRatio * vals(2))  
8.       match(i) = indx(1);%match(i)表示图1中i-th keypoint的匹配点是图2中的第几个keypoint  
9.    else  
10.       match(i) = 0;  
11.    end  
12. end  

这里，两个matrix做点积（转置后） dotprods = des1(i,:) * des2t; 可以得出img1中的一个feature点与img2中所有点的点乘

这样做的目的：因为for向量a,b,

a·b=|a|*|b|*cos<a,b>

那么arccos(dotprods)就是夹角。对夹角排序，vals(1),vals(2)分别是所夹最小角和次小角

[cpp]  view plain  copy

1. vals(1) < distRatio * vals(2)  

是match的条件，即最小角小于distRatio(const value)乘以次小角。

满足该条件即可将图1中的第i个feature和图2中的第indx(1)个feature进行匹配。

关于sift的其他讲解:

http://blog.csdn.net/abcjennifer/article/details/7639681

http://blog.csdn.net/abcjennifer/article/details/7372880

http://blog.csdn.net/abcjennifer/article/details/7365882