使用LDA和ORB與不同大小的訓練圖像進行對象識別。

Question

我想建立一個輕量級的對象識別系統，使用ORB進行特徵提取和LDA分類。但是我遇到了一個問題，以適應不同大小的提取特徵。

這是我的步驟：使用ORB

1. 提取關鍵點。
2. 通過對關鍵點進行分組，提取圖像中的可訓練功能。 （正在提取內容的示例：http://imgur.com/gaQWk）
3. 用提取的功能訓練識別器。 （這是出現問題的地方）
4. 對來自野外的圖像中的對象進行分類。

如果我嘗試使用cv :: gemm創建一個廣義矩陣，由於大小不同，我會得到一個異常。我的第一個想法是通過調整大小來規範化所有圖像，但是當對象具有相似的小特徵時，這會導致很多準確性問題。

有沒有解決這個問題的方法？ LDA是一個合適的方法嗎？我知道它常用於面部識別算法，如fisherfaces。

Answer 1

LDA需要固定長度的功能，因爲這樣做最優化和機器學習方法。你可以調整圖像補丁的大小，但這可能不會是一個好的功能。通常人們使用比例不變的特徵，如SIFT。您也可以嘗試的顏色直方圖或邊緣檢測和空間直方圖分級的一些變化，如GIST載體。

這很難說，如果LDA是該適當的方法不知道你希望實現的目標。你也可以考慮使用SVM，某種形式的boosting，或只是一個大的訓練集純近鄰。