我的问题如下：

• 我有6种类型的图像，或者说6个类别。例如，猫、狗、鸟等。
• 对于每种类型的图像，我有许多该图像的变体。例如，棕色猫、黑色狗等。
• 我目前使用支持向量机（SVM）通过一对多分类法对图像进行分类。我将每张图像展开成单一像素向量，并将其用作给定图像的特征向量。我的分类准确率尚可，但我想要尝试一些不同的方法。
• 我想使用图像描述符，特别是SURF特征，作为每张图像的特征向量。问题在于，每张图像只能有一个特征向量，而特征提取过程会给我提供可变数量的SURF特征。例如，一张猫的图片可能给我40个SURF特征，而一张狗的图片会给我68个SURF特征。我可以选择n个最强的特征，但无法保证所选的SURF特征是描述我的图像的（例如，它可能专注于背景）。也无法保证能找到任何SURF特征。

所以，我的难题是，如何将多个观测值（每个都是一个SURF特征向量）“折叠”成一个单一的特征向量，这个向量能够描述原始图像并可以输入到SVM中进行训练？

感谢您的帮助！

回答：

通常，SURF描述符会使用K-means字典进行量化，并聚合成一个l1归一化的直方图。这样，您输入到SVM算法中的数据现在大小是固定的。