Opencv 如何选择好的冲浪功能关键点？

我目前正在研究对象分类问题。我的目标是使用SURF描述符在opencv中训练基于MLP的人工神经网络，并生成用于对象分类的模型。到目前为止，我取得了以下成就：

我正在使用以下代码计算SURF关键点：

vector<KeyPoint> computeSURFKeypoints(Mat image) {
    SurfFeatureDetector surfdetector(400, 4, 2, true, false);
    vector<KeyPoint> keypoints;
    surfdetector.detect(image, keypoints);
    return keypoints;
}

Mat computeSURFDescriptors(Mat image, vector<KeyPoint> keypoints) {
    SurfDescriptorExtractor extractor;
    Mat descriptors;
    extractor.compute(image, keypoints, descriptors);
    return descriptors;
}

---

通过这样做，我能够减少描述符的维数，但所选的特征点不能代表图像，它们会导致较差的匹配结果。如何通过保留好的特征点来降低描述符的维数？任何帮助都将不胜感激

我在寻找完全不同的东西，所以没有专家，但我碰巧知道Matlab有一个功能“points.selectstrong（x）”，如果x是你想要的点数。该功能将拾取具有最强度量的点

---

度量是Matlab函数“detectSURFFeatures”赋予SURFpoints的属性。I度量由OpenCV函数“vision.internal.buildable.Fasthessian和DetectorBuildable.Fasthessian和Detector_uint8”在“detectSURFFeatures”中给出。

您可以使用特征检测中返回的每个关键点的响应值。根据响应值对关键点进行排序应该是一种方法，但是我从未测试过这一点

---

请参阅：

假设您正在讨论每个图像中不同数量的关键点（而不是不同的描述符长度）。关键点的数量相同没有多大意义，这不是一对一的连接。所以，我不知道PCA背后的想法是什么，在每幅图像中，你会得到不同的结果

还有一些其他常用的方法来检查特征对应关系，请参见。基本上，他们检查描述符和向量之间的距离

---

我认为您正在尝试做一些与功能匹配稍有不同的事情，因此我建议您查看一下

对不起，但这与Matlab无关。此外，opencv没有一个名为vision.internal.buildable.fasthessian和detector buildable.fasthessian和detector_uint8的函数“…描述符的大小因图像而异。描述符包含每个要素点的64个元素，这是没有意义的。SURF描述符是64或128个元素。您将扩展标志标记为True，因此应该得到128个元素。我猜您谈论的是不同数量的要素？描述符计数因图像而异（而不是大小）。为了克服这一问题，通常会采用一袋词聚类法（最终，你会将一个固定的N维向量（包含到字典的距离）输入到你的ml中）@berak：请你详细说明一下好吗？也许会用你的想法发布一个答案？例如，看一看

Mat projection_result;
PCA pca(descriptors, Mat(), CV_PCA_DATA_AS_COL, 64);
pca.project(descriptors,projection_result);
return projection_result;