比较没有 SVM 的 HOG 特征向量
comparing HOG feature vectors without SVM
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，我在所有最有可能存在对象的图像中有一个固定的感兴趣区域 (ROI)，我必须比较它们的形状给出了两个输入图像中存在的对象是相同的还是 not.There 是轻微的平移和比例变化以及照明变化。
我正在尝试比较两个输入图像之间的对象形状，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存在相同的对象。
我尝试过等高线，但它没有提供可靠的结果（阈值处理要么提供了太多细节，要么遗漏了一些重要细节）并且不能很好地概括所有图像。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，您的问题其实很难理解。
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 是一种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，会要了你的命
在您的例子中，您使用 HOG 特征作为图像表示向量。所以计算它们之间的欧几里德距离。该值存在相似性。
您可以查看matlab pdist method找到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图像。更好的图像代表会带来更好的性能。例如：Bag-of-word、CNN等。它们有很多，对于像你这样从 Bag-of-word 开始的新手来说。
希望对您有所帮助，欢迎来到计算机视觉世界
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，我在所有最有可能存在对象的图像中有一个固定的感兴趣区域 (ROI)，我必须比较它们的形状给出了两个输入图像中存在的对象是相同的还是 not.There 是轻微的平移和比例变化以及照明变化。
我正在尝试比较两个输入图像之间的对象形状，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存在相同的对象。
我尝试过等高线，但它没有提供可靠的结果（阈值处理要么提供了太多细节，要么遗漏了一些重要细节）并且不能很好地概括所有图像。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，您的问题其实很难理解。 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 是一种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，会要了你的命
在您的例子中，您使用 HOG 特征作为图像表示向量。所以计算它们之间的欧几里德距离。该值存在相似性。
您可以查看matlab pdist method找到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图像。更好的图像代表会带来更好的性能。例如：Bag-of-word、CNN等。它们有很多，对于像你这样从 Bag-of-word 开始的新手来说。
希望对您有所帮助，欢迎来到计算机视觉世界