SiFT的Opencv特征向量大小

我尝试使用标准贝叶斯分类器使用sift进行对象分类。当我计算每个大小可变的图像的描述符时，我得到不同大小的特征向量。例如：

Feature Size: [128 x 39]

Feature Size: [128 x 54] 

Feature Size: [128 x 69]

Feature Size: [128 x 64]

Feature Size: [128 x 14]

至于开发，我使用20个训练图像，因此我有20个标签。我的分类只有三类，包括汽车、书和球。所以我的标签向量大小是[1 x 20]

据我所知，要执行机器学习，特征向量大小和标签向量大小应该相同，因此我应该得到训练数据的向量大小为[_uux20]，标签为[1 x 20]

但我的问题是，sift有128维的特征空间，因此每个图像都有不同的特征大小，如我上面所示。如何在不丢失特征的情况下将所有对象转换为相同大小？ 或者我可能做得不对，所以请帮我解决这个问题

---

PS：事实上，我是用弓模型做的，它是有效的，但只是为了我的学习目的，我在这件事上尝试这么做只是出于兴趣，所以欢迎任何提示和建议。谢谢你

你说得对，SIFT描述符是一个128维的特征

为图像中检测到的每个关键点计算SIFT描述符。在计算描述符之前，您可能使用检测器（如Harris、Sift或Surf检测器）来检测感兴趣的点

检测关键点和计算描述符是两个独立的步骤

在程序中打印

特征尺寸：[128 x Y]

时，Y表示当前图像中检测到的关键点数量

---

通常，使用BOW可以为每个关键点描述符指定BOW中最近簇的标记。根据您的应用程序，您可以做出决定。。。（对场景中是否存在一个对象进行投票，或…

如果您不想使用BOW，可以尝试匹配原始场景中所述的各个筛选功能

其基本思想是将两幅图像相互比较，然后确定它们是否相似。您可以通过比较各个SIFT特征来实现这一点。你决定他们是否匹配。然后，要检查空间位置是否一致，需要检查是否可以将匹配的特征从一个图像转换到另一个图像

---

有关详细信息，请参见。

谢谢。事实上，我做了一个作业，我用了弓，效果很好。然而，我非常感兴趣，我正在尝试不同的方法来分类图像。我试图在不使用弓模型的情况下进行分类，所以我想知道如何分配训练矩阵。你认为我会把矩阵从[128 x Y]改成[1 x Y]吗。这意味着我只使用了向量的一维。你怎么看？[1 x Y]矩阵毫无意义。实际上，您可以使用每个Y的单个SIFT特征[128 x 1]，并将它们与从另一幅图像中提取的SIFT进行比较。对不起，实际上这就是它的意思。。非常感谢。