论文提要“Visual Categorization with Bags of Keypoints”

‘Selective Search for Object Recognition” 文章中特征描述使用了BOW，找到这篇文章看了一下，主要是提取BOK来做广义的目标归类，分类器使用的是朴素贝叶斯和SVM，实验对七类广义目标进行归类，目标姿态不一，背景复杂，跟我们之前接触的纯目标分类有所不同，有人脸，建筑物，汽车等，如下图所示：

特征使用的是BOK，统计图像中特定模式出现次数的直方图，这里的K是keypoints，即聚类中心。在文中，作者指出了视觉归类与之前概念的区分：
识别：需要将不同的杯子区分，而归类是将所有的杯子归为一类；
基于上下文的图像检索：给定图像或底层特征，基于底层特征检索图像；
检测：分析某一视觉类是否存在于给定图像中

视觉场景归类流程如下：
1）检测及描述图像块；
2）将块特征描述分配给clusters，词典应当尽量大;
3）建立BOK，计算分配给每个clusters的块的数目
4）将BOK作为特征，使用多类分类器进行分类

方法描述：
A. 特征提取
局部特征对只有局部可视或被遮挡的物体识别鲁棒，作者使用的是Harris Affine检测器，对尺度和仿射变换鲁棒，Harris角点检测时一个迭代的过程，感兴趣点是尺度Harris函数的局部极大值及Laplacian算子尺度上的极值，之后确定一个椭圆邻域，大小由尺度决定，形状有图像二阶矩矩阵特征值决定。
仿射区域之后映射到一个圆形区域，之后在该区域中计算SITF特征，下图为特征描述的流程及SIFT特征的8个梯度幅值图：

B. 构建视觉词典
聚类算法主要基于迭代平方误差分割，作者使用的k-means，通过迭代将点分配到最近的聚类中并更新聚类中心，通过设置不同的k值和不同的初始化方法得到具有最小经验风险的类蔟。

文章缺少构建cluster后如何构建词袋的具体描述，流程参见另外一篇博文的描述：http://blog.csdn.net/v_JULY_v/article/details/6555899

C. 归类
使用的是朴素贝叶斯分类器和SVM。

实验结果
有一个比较有意思，大部分感兴趣点在背景上被正确识别出的场景：