Sak*_*eek 6 python opencv distance feature-extraction feature-descriptor
我是计算机视觉的新手，目前正在做一个关于形状检测的学习项目，其中我在最有可能存在对象的所有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以确定是否两个输入图像中存在的物体是否相同。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，我可以判断出两个输入图像中都存在相同的对象。
我试过轮廓，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了一些重要的细节）并且不能很好地概括到所有图像。我正在考虑使用像 HOG 这样的全局形状描述符。
但是我在理解 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？
我不明白距离度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？
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 是用于将向量与字典进行比较以找到最正确答案的工具。对于相似性，它只是两个图像表示向量的距离。别想太多，会害死你的
在您的情况下，您使用 HOG 特征作为您的图像表示向量。所以计算它们之间的欧几里得距离。该值存在相似性。
您可以查看matlab pdist 方法来查找易于使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您的图像。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，从词袋开始。
希望帮助并欢迎来到计算机视觉世界
| 归档时间： |
|
| 查看次数： |
2291 次 |
| 最近记录： |