How do human sketch objects?

文章的实现，OpenCV2.3.1，VS2010。

题目为“人类怎样画草图”，文章前面论述了一大堆关于人类对草图的识别，在这里略去，有兴趣可以自行阅读。

 

在5 Sketch Representation中开始介绍了如何为sketch构造出合适的histogram：主体的思路是利用梯度信息来构造特征向量，在这里只用到梯度的方向，而忽略梯度大小。

5.1 Extracting local features

我们下下来得dataset的图片分辨率过大，首先采用降采样为256*256。

第一步，求得图片的梯度（利用SCHARR算子），这样之后每一个像素点都有一个梯度方向在0~180度之间，然后我们根据梯度方向构造出四个response images，也就是四个bins（O1,O2,O3,O4，分别代表0-45,45-90,90-135,135-180度），然后根据每个像素点梯度的方向处在的区间放入不同的bin中（可以把response images当作二值图像，也就是一个像素点，只能在一个bin中相应像素点的值为1，而其他三个bins相应点为0，当然也出现了梯度的xy方向都为0，在这里我们不将该点放入bins中）。

第二步，将降采样后的图片确定28*28=784个采样点（每个采样点之间差8个像素，第一个点和左边缘相差16个像素，这样的话就舍弃了最后8个像素没有patch，当初没考虑好），以这784个采样点为中心构建784个patches，每个patch为32*32大小。

第三步，每个patch按空间分为4*4=16个bins，也就是每个bins是8*8的块。接下来就是extract 每个块中的每个response images（O）的局部描述子Li。对于每个response images，计算所属的8*8块内的累计值，也就是把第一步中的为1的点累加起来，然后把patch中的16个块的累计值合起来就形成了一个16维的局部描述子Li。然后对于每个response images计算描述子，然后将四个局部描述子合起来形成了该patch的向量d=[L1,L2,L3,L4]，为64维向量，在这里也就是patch的特征，之后再对其进行归一化处理（这里一定要归一化，不然在下文的一个参数选取上会造成很大影响）。（文中提到了用能量累积的方法得到d，但是没有采用这个方法实现）

5.2 Building a visual vocabulary

第四步，如上步所做，一幅图就有784个特征向量，于是很多图的所有的特征向量就构成了所谓的bag-of-features，D={di}。在这里我们对选取了前1,000,000（由于考虑到概率问题，个人认为前100000个向量和随机选取1000000个向量在概率上是相等的，所以就没有采用文中所说的随机选取）个特征向量进行k-means聚类，取k=500，聚类完成之后得到了500个中心向量{ui}，这里也可以认为是words。（关于bag-of-features或bag-of-words的问题可以看http://blog.csdn.net/tinyway/article/details/9240821）

5.3 Quantizing features

第五步，这一步中，我们就要构建出属于一个sketch的histogram。首先还是计算出784个d，之后将每个d与500个ui进行高斯核的计算距离K(d,u)，形成了一个500维的距离向量q(d)=[K(d,u1),K(d,u2)....K(d,u500)]，然后再将q(d)进行归一化（这里的归一化使用绝对值和来归一化，同第三步里d的归一化不同）。在计算完784个q(di)之后，将所有di累加起来，再除以784，就形成了sketch的histogram。

在这里，关于sketch的特征提取就差不多完成了，接下里就考虑分类问题。

问中还提到了很多分类问题，在这里就利用svm进行分类预测，下文讲的是自己的摸索过程，毕竟从没用过svm，大神绕道。

我暂时只取了25类进行分类训练，第一次是进行多分类训练，也就是只训练出一个模型，之后发现结果超级不行，再重看文章后发现文章不是这样实现的，在7.1中提到了，为每个sketch训练了250个分类器，用于将该sketch和其他类的sketch辨别出来，在预测的时候，通过比较每个分类器的classifier function来确定输入样本所属的类别。

同时，由于高斯核距离的计算中，选择了不同的sigma，有不同的效果，当sigma小的时候，sketch的histogram有很多维为0，但是当sigma取大的时候，预测的结果很差，所以还是取小的sigma。

svm的训练方法：

1.直接训练出多分类器：

该方法很直接，但是准确率也不是很高。

2.训练25个二分类器（样本有25类）：

同文中7.1所说的方法进行预测，结果同样很不准。每个类取了60个正样本，而其他24个类取了60*24个负样本，这样子训练之后发现classifier function完全一样，看来是正负样本的比例失常导致，故重新训练，正样本取60个，每个类取2个负样本，一共48个负样本，结果也不怎么好，因为有一个分类器的classifier function总是特别大，于是很容易选到那个类别去。（后来改成10类）

3.训练10*9/2个分类器（共10类，两两一个分类器）

一轮轮判断，类似于二叉树查询，最多10次即可得出适合的预测。

结果同样不准确，在我的观点看来，两两一个分类器，若输入样本不在这两类中，就很容易出现误差，可能出现classifier function的值特别大，从而干扰到预测，只是若预测前几个的话会有正确的预测。

4.训练9*10个二分类器（共十类，两类之间有两个分类器，分别为其中之一的正样本分类器）

结果很不稳定，有的预测很准确能到达90%，有的很不准确，在25%左右。

5.一个二分类器（共两类）

输入为两类中的其中之一，这样的话预测的结果很准。

这个算法的实现花了大概两周的时间，前期看文章看了两天，第三天向的师姐请教，算是了解了整个算法的实现过程。之后花了两天时间把patch descriptor提取出来并利用k-means聚成500类，但是到5.3的quantizing features的时候发现量化后500维几乎都为0了，给文章作者Mathias Eitz发了封邮件询问了这个问题，很开心他回复了，让我调大高斯核函数中的sigma试试看，调大之后发现情况并没有好转，虽然为0的维数减少了，但是都是e-100以上的量级，后来又读了一遍文章发现在patch descriptor的提取中忘了对其进行归一化处理，归一化后在进行quantizing features情况有所好转，但是还是有很大一部分为0（我觉得有可能这里导致了之后分类效果差）。之后就进行svm训练预测，效果不太好。最后根据多个不同的svm的处理方法得到了几个不同的预测方法，然后用mfc做了个界面，让大家简单的试试看吧。