我是计算机视觉的新手，现在正在做一个关于形状检测的学习项目，我在所有可能存在物体的图像中都有一个固定的感兴趣区域（ROI），我必须比较它们的形状给出两个输入图像中存在的对象是否相同。有轻微的平移和尺度变化以及光照变化。
我试图比较两个输入图像之间的对象形状，并试图提供描述它们相似性的输出值。如果相似度高于某个阈值，我可以知道两个输入图像中都存在相同的对象。
我尝试了轮廓，但它没有给出可靠的结果（阈值处理要么提供太多细节，要么错过了一些重要的细节）并且不能很好地概括所有图像。我正在考虑使用像HOG这样的全局形状描述符。
但是我在理解HOG描述符中的特征向量值时遇到了问题。如何比较两个输入图像的HOG特征向量（1D），以便在不使用SVM或机器学习的情况下找到相似性？比较HOG特征向量的最佳方法是什么？
我不明白距离测量如何用于比较未来的向量。我想了解距离如何用于比较特征向量和直方图的物理意义？如何使用它们来比较HOG特征向量？
答案 0 :(得分：2)
抱歉，您的问题实际上很难理解。 我认为你的方向是错误的。
How to compare HOG feature vectors(1D) for the two input images to find similarity without using SVM or machine learning?
SVM是用于将向量与字典进行比较以找到最直接答案的工具。对于相似性，它只是两个图像表示矢量的距离。不要过度思考，它会杀了你
在您的情况下，您使用HOG功能作为图像表示的矢量。所以计算它们之间的欧几里德距离。那个价值是相似的。
您可以看到matlab pdist method查找易于使用的距离计算方法列表。
这里存在的问题不是如何比较特征向量，而是如何通过单个向量来表示您的图像。更好的图像代表了更好的性能。例如：Bag-of-word，CNN等。有很多这样的，对于新手来说，就像你从袋子开始。
希望对计算机视觉世界有所帮助和欢迎