opencv - ORB FeatureDetector with Bag Of Words

Question

BOWImgDescriptorExtractor必须接收 32F 所以SURF或SIFT必须用于DescriptorExtractor，但FeatureDetector肯定可以是任何你想要的，对吧？

我只需要在这里澄清一下，我只见过有人说“你不能使用ORBwith Bow”，但是在检测功能时，为什么要使用哪个呢？

Answer 1

我不认为这有关系。您可以使用任意方法进行特征点检测（即 ORB、FAST、SIFT、SURF 等）。

问题可能来自下一步，即特征点描述，原因是 Guanta 在其回答中所述：

您发布的链接提供了一种通过简单转换为浮点数（CV_32F）来解决二进制描述符问题的可能性，并且依赖于 OpenCV 的 k-means 算法只能处理 CV_32F 并使用 L2 距离进行比较这一事实。因此，二进制描述符也可能以错误的方式聚集（因为实际上你想要一个汉明距离测量）！

这就是为什么推荐使用 SIFT/SURF 描述符的原因。但除此之外，您可以将不同类型的特征点检测器与不同类型的描述符混合使用。

Answer 2

粗略地说，与您的标题问题相关的伪代码是：

# Construct vocabulary
bow_trainer = cv2.BOWKMeansTrainer(50)
bow_trainer.add(np.float32(descriptors))
vocab = bow_trainer.cluster().astype(descriptor.dtype)

# Create an object for computing global image BoW descriptors
bow_descr = cv2.BOWImgDescriptorExtractor(ORBdetector, CV2.BFMatcher(CV.NORM_HAMMING))
bow_descr.setVocabulary(vocab)

# Load an image, find keypoints, compute global image descriptor
img = cv2.imread("PathtoImage", ...)
keypoints = detector.detect(img,None)
description = bow_descr.compute(img, kps)

# Visualization
plt.figure( ...)

# Distance calculation (assuming you have two histograms, stored each in the "description" variable)
dist = 1 - cv2.compareHist(pic1.description, pic2.description, cv2.HISTCMP_CORREL)