本文转载了文章（沈阳的博客），目的在于记录自己重复过程中遇到的问题，和更多的人分享讨论。
程序包：猛戳我
物体分类
物体分类是计算机视觉中一个很有意思的问题,有一些已经归类好的图片作为输入,对一些未知类别的图片进行预测。
下面会说明我使用OpenCV实现的两种方法，第一种方法是经典的bag of words的实现；第二种方法基于第一种方法，但使用的分类方法有所不同。
在此之前，有必要说明一下输入的格式，输入训练数据文件夹，和CalTech 101的组织类似。如下所示，每一类图片都放在一个文件夹里，文件夹的名字就是类别的名字，不需要特别的说明文件。
test/
category1/
img01.jpg
img02.jpg
…
category2/
img01.jpg
img03.jpg
…
…
完整的代码和可使用的训练样本可在这里找到，下面代码示例的开头注释为该段代码所在函数。
第一种方法：Bag of words
步骤描述
如[1]所言，这个方法有4个步骤：
- 提取训练集中图片的feature。
- 将这些feature聚成n类。这n类中的每一类就相当于是图片的“单词”，所有的n个类别构成“词汇表”。我的实现中n取1000，如果训练集很大，应增大取值。
- 对训练集中的图片构造bag of words，就是将图片中的feature归到不同的类中，然后统计每一类的feature的频率。这相当于统计一个文本中每一个单词出现的频率。
- 训练一个多类分类器，将每张图片的bag of words作为feature vector，将该张图片的类别作为label。
对于未知类别的图片，计算它的bag of words，使用训练的分类器进行分类。
下面按步骤说明具体实现，程序示例有所省略，完整的程序可看源码，我已经很努力地压缩了代码量，而没有降低可读性。
1 提取feature
这一步比较简单，对训练集中的每一张图片，使用opencv的FeatureDetector检测特征点，然后再用DescriptorExtractor抽取特征点描述符。
01 // BuildVocabulary
02 Mat allDescriptors;
03 loop over each category {
04 loop over each image in current category {
05 Mat image = imread( filepath );
06 vector<KeyPoint> keyPoints;
07 Mat descriptors;
08 detector -> detect( image, keyPoints);
09 extractor -> compute( image, keyPoints, descriptors );
10 allDescriptors.push_back( descriptors );
11 }
12 }
2 feature聚类
由于opencv封装了一个类BOWKMeansExtractor[2]，这一步非常简单，将所有图片的feature vector丢给这个类，然后调用cluster()就可以训练（使用KMeans方法）出指定数量（步骤介绍中提到的n）的类别。输入allDescriptors就是第1步计算得到的结果，返回的vocabulary是一千个向量，每个向量是某个类别的feature的中心点。
由于opencv封装了一个类BOWKMeansExtractor[2]，这一步非常简单，将所有图片的feature vector丢给这个类，然后调用cluster()就可以训练（使用KMeans方法）出指定数量（步骤介绍中提到的n）的类别。输入allDescriptors就是第1步计算得到的结果，返回的vocabulary是一千个向量，每个向量是某个类别的feature的中心点。
1 // BuildVocabulary
2 BOWKMeansTrainer bowTrainer( wordCount );
3 Mat vocabulary = bowTrainer.cluster( allDescriptors );
3 构造bag of words
对每张图片的特征点，将其归到前面计算的类别中，统计这张图片各个类别出现的频率，作为这张图片的bag of words。由于opencv封装了BOWImgDescriptorExtractor[2]这个类，这一步也走得十分轻松，只需要把上面计算的vocabulary丢给它，然后用一张图片的特征点作为输入，它就会计算每一类的特征点的频率。
Samples这个map的key就是某个类别，value就是这个类别中所有图片的bag of words，即Mat中每一行都表示一张图片的bag of words。
01 // ComputeBowImageDescriptors
02 map<string, Mat> samples;
03 Ptr<BOWImgDescriptorExtractor> bowExtractor;
04 loop over each category {
05 loop over each image in current category {
06 Mat image = imread( filepath );
07 vector<KeyPoint> keyPoints;
08 detector -> detect( image, keyPoints );
09 Mat imageDescriptor;
10 bowExtractor -> compute( image, keyPoints, imageDescriptor );
11 samples[current category].push_back( imageDescriptor );
12 }
13 }
4 训练分类器
我使用的分类器是svm，用经典的1 vs all方法实现多类分类。对每一个类别都训练一个二元分类器。训练好后，对于待分类的feature vector，使用每一个分类器计算分在该类的可能性，然后选择那个可能性最高的类别作为这个feature vector的类别。
训练二元分类器
- samples：第3步中得到的结果。
- category：针对哪个类别训练分类器。
- svmParams：训练svm使用的参数。
- svm：针对category的分类器。
属于category的样本，label为1；不属于的为-1。准备好每个样本及其对应的label之后，调用CvSvm的train方法就可以了。
01 void TrainSvm( const map<string, Mat>& samples,
02 const string& category,
03 const CvSVMParams& svmParams,
04 CvSVM* svm ) {
05 Mat allSamples( 0, samples.at( category ).cols, samples.at( category ).type() );
06 Mat responses( 0, 1, CV_32SC1 );
07 allSamples.push_back( samples.at( category ) );
08 Mat posResponses( samples.at( category ).rows, 1, CV_32SC1, Scalar::all(1) );
09 responses.push_back( posResponses );
10 for ( auto itr = samples.begin(); itr != samples.end(); ++itr ) {
11 if ( itr -> first == category ) {
12 continue;
13 }
14 allSamples.push_back( itr -> second );
15 Mat response( itr -> second.rows, 1, CV_32SC1, Scalar::all( -1 ) );
16 responses.push_back( response );
17
18 }
19 svm -> train( allSamples, responses, Mat(), Mat(), svmParams );
20 }
分类
使用某张待分类图片的bag of words作为feature vector输入，使用每一类的分类器计算判为该类的可能性，然后使用可能性最高的那个类别作为这张图片的类别。
category就是结果，queryDescriptor就是某张待分类图片的bag of words。
01 // ClassifyBySvm
02 float confidence = -2.0f;
03 string category;
04 for( auto itr = samples.begin(); itr != samples.end(); ++itr ) {
05 CvSVM svm;
06 TrainSvm( samples, itr->first, svmParams, &svm );
07 float curConfidence=sign*svm.predict(queryDescriptor, true);
08 if ( curConfidence > confidence ) {
09 confidence = curConfidence;
10 category = itr -> first;
11 }
12 }
第二种方法：相关性排序
这种方法的前面1-3步和bag of words一样，只是分类的时候有些别出心裁。利用上面的类比，每张图片的bag of words就好比是词汇表中每个单词出现的频率，我们完全有理由相信相同类别的图片的频率直方图比较接近。由此受到启发，可以找出已有数据库待中与待分类的图片的最接近的图片，将该图片的类别作为待分类图片的类别。
在实现的时候，我并没有仅仅使用一张最接近的图片，而是找出数据库中最接近的9张图片，最后的结果类别就是包含这9张图片中最多张数的那一类。
01 // ClassifyByMatch
02 struct Match{
03 string category;
04 float distance;
05 };
06 priority_queue<Match, vector<Match> > matchesMinQueue;
07 Ptr<DescriptorMatcher> histogramMatcher = new BFMatcher(normType );
08 const int numNearestMatch = 9;
09 for( auto itr = samples.begin(); itr != samples.end(); ++itr ){
10 vector<vector<DMatch> > matches;
11 histogramMatcher -> knnMatch( queryDescriptor, itr ->second, matches, numNearestMatch );
12 for ( auto itr2 = matches[0].begin(); itr2 !=matches[0].end(); ++ itr2 ) {
13 matchesMinQueue.push( Match( itr -> first, itr2 ->distance ) );
14 }
15 }
找出包含这9张图片中最多张数的那一类。
01 // ClassifyByMatch
02 string category;
03 int maxCount = 0;
04 map<string, size_t> categoryCounts;
05 size_t select = std::min( static_cast<size_t>( numNearestMatch ), matchesMinQueue.size() );
06 for ( size_t i = 0; i < select; ++i ) {
07 string& c = matchesMinQueue.top().category;
08 ++categoryCounts[c];
09 int currentCount = categoryCounts[c];
10 if ( currentCount > maxCount ) {
11 maxCount = currentCount;
12 category = c;
13 }
14 matchesMinQueue.pop();
15 }
缓存结果
该操作出现的函数: main, BuildVocabulary, ComputeBowImageDescriptors。
在第一次处理之后，我将“词汇表”，每张图片的bag of words，每个类别的svm分别保存在了（相对于结果文件夹）vocabulary.xml.gz，bagOfWords文件夹和svms文件夹中。这样下一次对某张图片进行分类的时候，就可以直接读取这些文件而不必每次都计算，训练样本很多的时候，这些计算十分耗时。
不足之处
Bag of words方法没有考虑特征点的相对位置，而每类物体大都有自己特定的结构，这方面的信息没有利用起来。用上面一贯的类比，就好像搜索引擎只使用了单词频率，而没有考虑句子一样，没有结构的分析。
效果
对于我打包在作业文件夹中的训练数据和测试数据，第一种方法有80%的图被正确分类，第二种方法有67%的图被正确分类，均高出20%的随机猜测很多。
左侧的图是使用Bag of words方法的所有结果，右侧的图是使用第二种方法的所有结果。
参考资料
[1] Csurka, Gabriella, et al. Visual categorization with bags of keypoints. Workshop on statistical learning in computer vision, ECCV. Vol. 1. 2004.
[2] http://docs.opencv.org/modules/features2d/doc/object_categorization.html