我正在尝试在OpenCV中实现词袋模型，并已经完成了下面的实现。我使用的是Caltech 101数据库。由于这是我第一次尝试，并且不太熟悉，我计划使用数据库中的两个图像集，椅子图像集和足球图像集。我使用这个来编写SVM的代码。

一切都进行得很顺利，除了当我调用classifier.predict(descriptor)时，我没有得到预期的标签值。无论我的测试图像是什么，我总是得到0而不是’1′。椅子数据集中的图像数量是10，足球数据集中的图像数量是10。我将椅子标记为0，足球标记为1。链接代表每个类别的样本，前10个是椅子，后10个是足球

function hello    clear all; close all; clc;            detector = cv.FeatureDetector('SURF');    extractor = cv.DescriptorExtractor('SURF');                    links = {    'http://i.imgur.com/48nMezh.jpg'    'http://i.imgur.com/RrZ1i52.jpg'    'http://i.imgur.com/ZI0N3vr.jpg'    'http://i.imgur.com/b6lY0bJ.jpg'    'http://i.imgur.com/Vs4TYPm.jpg'    'http://i.imgur.com/GtcwRWY.jpg'    'http://i.imgur.com/BGW1rqS.jpg'    'http://i.imgur.com/jI9UFn8.jpg'    'http://i.imgur.com/W1afQ2O.jpg'    'http://i.imgur.com/PyX3adM.jpg'    'http://i.imgur.com/U2g4kW5.jpg'    'http://i.imgur.com/M8ZMBJ4.jpg'    'http://i.imgur.com/CinqIWI.jpg'    'http://i.imgur.com/QtgsblB.jpg'    'http://i.imgur.com/SZX13Im.jpg'    'http://i.imgur.com/7zVErXU.jpg'    'http://i.imgur.com/uUMGw9i.jpg'    'http://i.imgur.com/qYSkqEg.jpg'    'http://i.imgur.com/sAj3pib.jpg'    'http://i.imgur.com/DMPsKfo.jpg'    };            N = numel(links);            trainer = cv.BOWKMeansTrainer(100);                      train = struct('val',repmat({' '},N,1),'img',cell(N,1), 'pts',cell(N,1), 'feat',cell(N,1));                        for i=1:N                  train(i).val = links{i};      train(i).img = imread(links{i});               if ndims(train(i).img > 2)         train(i).img = rgb2gray(train(i).img);       end;                       train(i).pts = detector.detect(train(i).img);       train(i).feat = extractor.compute(train(i).img,train(i).pts);                 end;             for i=1:N          trainer.add(train(i).feat);     end;              dictionary = trainer.cluster();     extractor = cv.BOWImgDescriptorExtractor('SURF','BruteForce');     extractor.setVocabulary(dictionary);             for i=1:N          desc(i,:) = extractor.compute(train(i).img,train(i).pts);     end;             a = zeros(1,10)';     b = ones(1,10)';     labels = [a;b];                       classifier  = cv.SVM;     classifier.train(desc,labels);          test_im =rgb2gray(imread('D:\ball1.jpg'));             test_pts = detector.detect(test_im);     test_feat = extractor.compute(test_im,test_pts);                val = classifier.predict(test_feat);     disp('Value is: ')     disp(val)             end

这些是我的测试样本:

足球

_{(来源: timeslive.co.za)}

椅子

通过搜索这个网站，我认为我的算法是可以的，尽管我对它不太有信心。如果有人能帮助我找到错误，将不胜感激。

根据Amro的代码，我的结果如下:

类别分布:  值    计数   百分比      1       62     49.21%      2       64     50.79%训练实例数量 = 61测试实例数量 = 65检测到的关键点数量 = 38845代码本大小 = 100SVM模型参数:         svm_type: 'C_SVC'      kernel_type: 'RBF'           degree: 0            gamma: 0.5063            coef0: 0                C: 62.5000               nu: 0                p: 0    class_weights: 0        term_crit: [1x1 struct]混淆矩阵:ans =    29     1     1    34准确率 = 96.92 %

回答：

你的逻辑看起来不错。

现在我想你需要调整各种参数来提高分类准确性。这包括聚类算法的参数（如词汇表大小、聚类初始化、终止条件等）、SVM参数（核类型、C系数等）、使用的局部特征算法（SIFT、SURF等）。

理想情况下，每当你想要进行参数选择时，你应该使用交叉验证。一些方法已经内置了这种机制（例如CvSVM::train_auto），但大多数情况下你需要手动进行…

最后，你应该遵循一般的机器学习指导方针；查看整个偏差-方差权衡 困境。在线的Coursera机器学习课程在第6周详细讨论了这个话题，并解释了如何进行错误分析和使用学习曲线来决定下一步尝试什么（我们是否需要添加更多实例，增加模型复杂性，等等）。

话虽如此，我编写了自己的代码版本。你可能想将其与你的代码进行比较: