特征点，词袋，分类及其它

看了不少论文，感觉论文里写的东西和我想象的还是很不一样

先自己再做点实现推进一下自己的想法吧

毕竟那几篇论文我是仔细看了也没看懂个啥

主要目标：

１．看看sift, orb都会挑选一些什么样的点

２．这些特征点在词袋模型下的分类

３．单纯对这些点进行分类

主要在python上实现，图个方便，

opencv-python3.４之后好像就没有提取sift特征的API了。https://www.jianshu.com/p/178feb1925f4，要下载个3.1的，

ob又这么慢，换源都不行，conda config --add channels https://repo.continuum.io/pkgs/main/，用了这个没见过的源终于可以了

opencv要安装contrib版本的，

（转载）在pypi中解释到：

• run pip install opencv-python if you need only main modules
• run pip install opencv-contrib-python if you need both main and contrib modules (check extra modules listing from OpenCV documentation)

 

opencv-python 是只包含了主要模块的包，opencv-contrib-python包含了主要模块以及扩展模块，扩展模块主要是包含了一些带专利的收费算法（如shift特征检测）以及一些在测试的新的算法（稳定后会合并到主要模块）。

jupyter添加内核的时候又出了问题，如果不加--user选项，就会加出来一个py2.7的。

https://blog.csdn.net/u012418164/article/details/104180360

1.

看了一下，SIFT特征点也不是全部都在边上，像键盘这种，就很多都在内部，内部的边上。

但是对于显示器这种东西，它自己内部没什么特征，那就只能在边界上了，懂了。

SIFT有８５２个点，每个点的描述子是１２８维，好像也都是整数。

SIFT的特征点数似乎是没有数量要求的，每张图不一样，不过分布的很均匀还。

换成ORB的话，特征点少了好多好多啊，，，，，ORB就只有零星的几个点了。这是为什么

噢噢，实际上，orb也提取了５００个点，但是因为没有什么优化策略，５００个点都很集中似乎.

一个orb描述子似乎就３２维，也不是很多。还都是整数，怪怪的。

2.基于词袋的分类

基本上跟着https://www.cnblogs.com/August2019/p/12680602.html这个代码跑了一下，没有用太多图片训练，就tum数据集里找了几张，效果还可以吧。