图像中的关键点分类

Question

我试图使用图像中的角落特征来比较两幅图画。这是一个示例图像：

查询图片：

我使用 SIFT算法来比较图像，但它不起作用，因为在SIFT中我们考虑一个16X16像素的窗口来提取感兴趣点的特征，但在这种情况下（绘图对象）我们将只获得角点作为特征点，SIFT特征描述符将为所有角点提供非常相似的特征，因此在特征匹配步骤中，由于它们的相似性得分非常接近，它将拒绝角点。

所以我使用以下方法来比较图像。 我在opencv中使用基于Shi-Tomasi算法的函数ie。 cv2.goodFeaturesToTrack（）查找图像中的角点（要素点）。找到角落后，我想将它们分为4类，并将它们分成两个图像。下面是现在定义的角落类别，由于角落类型的巨大变化（角落，角落交叉的线条数，角点处的不规则像素变化），我的角色变化：

角落类别：

Type-1：L形

类型2：行交叉

类型3：线 - 曲线交点

type-4：Curve-Curve intersectio

我试图用以下方法解决这个问题：

=＆GT;取一个围绕角落像素的固定窗口大小的补丁说一个32X32的窗口

=＆GT;找到渐变信息即。梯度幅度及其在此窗口中的方向，并使用此信息对上述4个类中的角进行分类。经过图像分类后，我发现使用HOG算法可以将图像梯度信息转换为特征向量。

=＆GT;在上述步骤中计算的HOG特征向量可用于训练SVM以获得模型。

=＆GT;该模型可用于新的特征点分类。

在实施上述算法后，我的准确性很差。

如果有任何其他方法对角落进行分类，请建议。