我正在通过使用 SIFT 功能在 opencv 中实现 Bag Of Words，以便对特定数据集进行分类。到目前为止，我一直在对描述符进行聚类并生成词汇表。据我所知，我必须训练 SVM ......但我有一些问题我真的很困惑。主要问题是实现背后的概念，这些是我的问题：
1-当我提取特征然后创建词汇表时，我是否应该提取所有对象（比如说 5 个对象）的特征并将它们放在一个文件中，所以我将它们全部放在一个词汇表文件中，其中包含所有字？以及稍后在进行分类时如何将它们分开？
2-如何实现SVM？我知道 openCV 中使用的函数，但如何？
3- 我可以在 MATLAB 中完成工作，我的意思是 SVM 培训的实施，但是有没有可用的代码可以指导我完成工作？我在这里看到了 Andrea Vedaldi 使用的代码，但他每次只使用一个类，另一个问题是他没有展示如何创建他在练习中使用的 .mat 文件。我能找到的所有其他实现，它们都没有使用 SVM。那么，您也可以在这一点上进行指导吗！
谢谢
使用 SIFT 时，您通常希望提取局部特征。那是什么意思？您有您的图像，并且从该图像中您将找到要从中提取局部特征向量的点。局部特征向量只是一个由数值组成的向量，描述了从中提取它的图像区域的视觉信息。尽管可以从图像 A 中提取的局部特征向量的数量不必与可以从图像 B 中提取的特征向量的数量相同，但局部特征向量的数量分量（即其维数）始终是相同。
现在，如果您想使用本地特征向量对图像进行分类，您就会遇到问题。在传统的图像分类中，每张图像都由一个全局特征向量来描述，在机器学习的上下文中，它可以被看作是一组数值属性。但是，当您提取一组局部特征向量时，您没有图像分类所需的每个图像的全局表示。可以用来解决这个问题的一种技术是词袋，也称为视觉词袋（BoW）。
这是（非常）简化的 BoW 算法：
从您的图像集中提取 SIFT 局部特征向量；
将所有这些局部特征向量放入一个集合中。此时，您甚至不需要存储每个局部特征向量是从哪个图像中提取的；
在一组局部特征向量上应用聚类算法（例如 k-means），以便找到质心坐标并为每个质心分配一个 id。这组质心将成为您的词汇；
全局特征向量将是一个直方图，它计算每个质心在每个图像中出现的次数。要计算直方图，请为每个局部特征向量找到最近的质心。
在这里，我假设您的问题如下：
您有一组标记图像和一组未标记图像作为输入，您希望根据其视觉外观为其分配标签。假设您的问题是对风景摄影进行分类。例如，您的图像标签可以是“山”、“海滩”或“森林”。
从每幅图像（即它的视觉词包）中提取的全局特征向量可以看作是一组数值属性。这组数字属性代表了每张图像的视觉特征和相应的图像标签，可以用来训练分类器。例如，您可以使用诸如Weka之类的数据挖掘软件，它具有 SVM 的实现，称为 SMO，来解决您的问题。
基本上，您只需要根据ARFF 文件格式格式化全局特征向量和相应的图像标签，这基本上是一个全局特征向量的 CSV，后跟图像标签。
这是一篇非常好的文章，介绍了使用 OpenCV v2.2 进行分类的词袋模型。 http://app-solut.com/blog/2011/07/the-bag-of-words-model-in-opencv-2-2/
关于使用 Normal Bayes Classifier 进行图像分类的后续文章。 http://app-solut.com/blog/2011/07/using-the-normal-bayes-classifier-for-image-categorization-in-opencv/
还包括一个关于 Caltech-256 数据集的约 200 行代码演示。http://code.google.com/p/open-cv-bow-demo/downloads/detail?name=bowdemo.tar.gz&can=2&q=
以下是对图像分类过程的直观感受： http ://www.robots.ox.ac.uk/~vgg/share/practical-image-classification.htm
真的帮我澄清了很多问题。我希望它可以帮助某人。:)