我不太确定如何使用HOG描述子实现“词袋模型”方法。我查看了几个来源，这些来源通常提供了一些步骤可供遵循：
- 计算有效训练图像集的HOG描述子。
- 应用聚类算法从描述子中提取n个中心点。
- 使用某种方法创建直方图，显示计算出的HOG描述子与最近中心点的频率，或者使用OpenCV的实现来完成这一步。
- 使用这些直方图训练线性SVM模型。
涉及“魔法”的步骤（3）并不清楚。如果我不使用OpenCV，我该如何实现它？
HOG描述子是逐单元计算的向量。所以我对每个单元都有一个向量。我可以遍历这个向量，计算向量中每个元素与最近的中心点的距离，并据此创建直方图。这样做正确吗？但如果是这样，我仍然有不同大小的向量，并且没有从中受益。
回答：
主要步骤可以表述为：
1- 从整个训练集中提取特征。（针对你的目标提取HOG特征）
2- 将这些特征聚类成一个词汇表V；你会得到K个不同的聚类中心。（使用K-Means或K-Medoid算法，你的超参数将是K）
3- 将每个训练图像编码为一个直方图，直方图显示图像中每个词汇元素出现的次数。每个图像随后由一个长度为K的向量表示。
例如；K的第一个元素可能出现5次，K的第二个元素可能在你的图像中出现10次。最终你会得到一个包含K个元素的向量。
K[0] = 5, K[1] = 10, ……., K[n] = 3
4- 使用这个向量训练分类器。（线性SVM）
当给定一个测试图像时，提取其特征。现在将测试图像表示为一个直方图，直方图显示测试图像中的每个特征与V中的聚类中心最接近的次数。这再次是一个长度为K的向量。
