😏:Bow

BOW( Bag of Words)

우리 말로하면 단어주머니. 원래 문서 분류에 사용하던 알고리즘.

문서를 분류하려고 할 때 컴퓨터로 문서의 문맥을 이해하고 분류하는 것은 매우 어려우므로 문맥이 아닌 문서에 등장하는 낱말의 빈도를 세서 자주 나타나는 낱말로 문서 카테고리를 구분하는 원리.

영상 분야에서는 낱말 대신 특징 디스크립터를 사용.

BOW 알고리즘과 객체 인식

낱말 대신 SIFT, SURF와 같은 특징 스크립터를 사용

예: 영상에 있는 비행기와 모터사이클을 분류할 때,

1. SIFT와 같은 특징 스크립터를 계산해서 하나의 저장 공간에 차곡차곡 모아둡니다.

2. 마구잡이로 뒤섞여 있는 수많은 비행기와 모터사이클의 특징을 디스크립터를 k-means 클러스터 알고리즘으로 군집화.

3. 각각의 비행기와 머터 사이클 사진에 대해서 시각 사전을 만들 떄와 같은 특징 디스크립터를 계산해서 시각 사전에 등록된 특징 디스크립터와 매칭되는 것이 얼마나 되는지 히스토램을 작성하고 레이블을 만들어 짝지어 준비.

_{출처: https://medium.com/@aybukeyalcinerr/bag-of-visual-words-bovw-db9500331b2f}

1. 각 이미지의 히스토그램과 레이블로 SVM과 같은 분류 알고리즘에게 학습 데이터의 입력으로 주고 훈련시킵니다.

BOW API

• trainer = cv2.BOWTrainer : BOW 알고리즘 추상 클래스

• trainer.add(descriptors) : 특징 디스크립터 추가

_{descriptors : 특징 디스크립터 (SIFT, SURF, ORB 등)}

• dictionary = trainer.cluster(): 군집화해서 사전 생성

_{dictionary : 시각 사전}

• trainer = cv2.BOWMeansTrainer(clusterCount) : k-means 클러스터로 구현된 클래스

_{clusterCount: 군집화할 클러스터 개수}

• extractor = cv2.BOWImgDescriptorExtractor(dextractor, dmatcher) : 매칭점으로 히스토그램을 계산하는 클래스 생성자

_{dextractor : DesctiptorExtractor를 상속한 특징 매칭기
dmatcher : DesctiptorMatcher를 상속한 특징 매칭}

• extractor.setVocabulary(dictionary): 사전 객체 설정

_{dictionary : BOWTrainer로 생성한 사전 객체}

• histogram = extractor.compute(img, keypoint) : 이미지와 사전의 매칭점으로 히스토그램 계산

_{img : 계산할 이미지
keypoint : 이미지에 추출한 키 포인트
histogram : 이미지와 사전의 매칭점 히스토그램}

실습

• BOW와 SVM으로 비행기와 모터사이클 훈련

• BOW와 SVM으로 비행기와 모터사이클 인식