13、基于关键点的基础机器学习与目标检测及图像变换应用

基于关键点的基础机器学习与目标检测及图像变换应用

基于关键点的目标分类

在进行目标分类任务时，我们使用支持向量机（SVM）分类器。以下是具体的操作步骤：
1. 计算训练数据
- 为每个训练图像计算（SURF）描述符。
- 通过欧几里得距离将每个描述符与词汇表中的一个聚类关联起来。
- 从这种关联中制作直方图，该直方图的bin数量与词汇表中的聚类数量相同。每个bin统计训练图像中与该bin对应的聚类相关联的描述符数量，这个直方图被称为图像的“视觉词袋描述符”，使用 BOWImageDescriptorExtractor 类的 compute() 方法完成。
2. 训练SVM分类器
- 对于每个类别，正样本数据是其训练图像的BOW描述符，负样本数据是所有其他类别的训练图像的BOW描述符。
- 正样本标记为1，负样本标记为0。
- 将这些数据提供给 CvSVM 类的 train() 方法来训练SVM，每个类别都有一个对应的SVM。
3. 使用训练好的SVM进行分类
- 从相机捕获图像并再次使用 BOWImageDescriptorExtractor 类的 compute() 方法计算BOW描述符。
- 使用 CvSVM 类的 predict() 方法将该描述符提供给SV