Opencv 密集筛子比筛子更适合做一袋字吗？

我正在使用OpenCV实现一个单词袋图像分类器。最初，我测试了在SURF关键点中提取的SURF描述符。我听说稠密的SIFT（或PHOW）描述符可以更好地用于我的目的，所以我也尝试了它们

令我惊讶的是，他们的表现非常糟糕，实际上差了近10倍。我可能做错了什么？我正在使用OpenCV中的DenseFeatureDetector获取关键点。我从9层图像中提取了大约5000个描述符，并将它们聚类成500个簇

我应该试试VLFeat库中的PHOW描述符吗？此外，我不能在OpenCV的SVM实现中使用卡方核，这是许多文章推荐的。这对分类器质量至关重要吗？我应该尝试另一个库吗

---

另一个问题是尺度不变性，我怀疑它会受到密集特征提取的影响。我说得对吗？

这取决于问题。你应该尝试不同的技巧，以便知道什么是解决问题的最佳技巧。通常，当您需要对任何类型的场景进行分类时，使用PHOW非常有用。 你应该知道，PHOW和密集筛有点不同。几年前我使用了vlfeat PHOW，看到代码，它只是调用了不同大小的密集筛选，以及一些平滑。这可能是一个线索，可以是不变的规模。 在我的实验中，我也使用了libsvm，结果是直方图相交对我来说是最好的。默认情况下，libsvm和OpenCV SVM（基于libsvm）中不包含卡方和直方图相交核。你是决定是否应该尝试它们的人。我可以告诉你，RBF核实现了接近90%的精度，惠特直方图相交93%，卡方检验91%。但这些结果是在我的具体实验中得到的。您应该从带有自动调谐参数的RBF开始，看看它是否足够

总结这一切取决于你的具体实验。但是如果你使用稠密的SIFT，也许你可以尝试增加集群的数量，并用不同的尺度调用稠密的SIFT（我推荐你使用PHOW方法）

编辑：我在看OpenCV DenseSift，也许你可以从

m_detector=new DenseFeatureDetector(4, 4, 1.5);

知道H vlfeat PHOW使用[4 6 8 10]作为箱子尺寸