KNN算法和Dense SIFT
KNN算法和Dense SIFT
摘要：
- KNN
- Dense Sift
1.KNN算法
kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。
KNN关键的一个参数就是K了
对下面这组参数：
n=400
class_1 = 0.8 * randn(n,2)
r = 0.8 * randn(n,1) + 5
angle = 3*pi * randn(n,1)
class_2 = hstack((r*cos(angle),r*sin(angle)))
labels = hstack((ones(n),-ones(n)))
当把K修改为150时：
当K=5时，分类的图像为：
当把K改成1时：
可见对于该类型的数据，K越小分类效果越好。但是K过于小的话，会对噪声过于敏感。
像对下面这两组数据，KNN算法完全无法分类
#右图
class_1 = 5.6 * randn(n,2)
class_2 = 3 * randn(n,2) + array([-5,5])
#左图
class_1 = 5.6 * randn(n,2)
class_2 = 3 * randn(n,2) + array([15,5])
2.Dense Sift
dense sift和sift的差别：
dense SIFT是提取我们感兴趣的patches中的每个位置的SIFT特征。而通常做特征匹配的SIFT算法只是得到感兴趣区域或者图像上若干个稳定的关键点的SIFT特征。
根据这个特性，一般dense sift用于图像识别，而sift用于图像检索。
dense SIFT提取的做法是，拿一个size固定的掩模或者bounding box，以一定的步长（stepsize）在图像上自左向右、从上到下提取dense SIFT的patch块。
x,y = meshgrid(range(steps,m,steps),range(steps,n,steps))#生成采样点的网格，step为步长
scale = size/3.0#scale就是bounding box的大小
xx,yy = x.flatten(),y.flatten()
frame = array([xx,yy,scale*ones(xx.shape[0]),zeros(xx.shape[0])])#生成bounding box提取特征值
dsift.process_image_dsift('gesture/hand.jpg','hand.dsift',90,40,True)#调用函数，其中90是size，40是step
对手势进行dense sift 特征提取：
把步长变小之后step=20（图左），再把size变小size=20（图右）：
我们可以通过调整这两个值，来观察他们对识别精确率的影响：
dsift.process_image_dsift(filename,featfile,5,2,resize=(50,50))
使用的测试集是有加入训练集没有的数据，包括自己拍的：
filelist_train = get_imagelist('gesture/train')#训练集
filelist_test = get_imagelist('gesture/test')#测试集
- 当我们把这两个参数的值调整到，size=5，step=2的时候，对于手势的训练集的识别精确率为：86.93%。
- size不变，增加步长step=10（size=5，step=10），准确率为：89.44%
- size不变，继续增加步长到step=20（size=5，step=20），准确率降为83.41%
- 这时候让step不变，增加size=20（size=20，step=20），发现准确率更低了，为73.86%
- 接下来，把step调整到之前准确率最高的10，降低size=2（size=2，step=10），发现准确率为83.41%。比之前的5和10的组合更低了。
- 当我们把size调整到比step更大的时候（size=18，step=5），准确率只有51.25%了。
所以可以得出结论，size和step对于精确度的影响不是一个线性上升和线性下降的过程。
- 相对于step较大的情况，step较小的时候整个识别准确率是更高的。但是当step过于小的，会出现过拟合的现象，识别率反而会下降。
- size的值不宜过大，如果size的值接近于step或者大于step，就会像上面的左图一样，每个扫描过去的patch块都和周围的其他patch有很大面积的重复，并且过大的size对细节的提取肯定是模糊的。所以当size形成的bounding box的边长比step更大的时候，正确率会降到只有50%。
- 同样的size也不宜过小，如上图的右图，过于小的size和比它更大的step会使在扫描的过程中遗漏一些特征。也不利于识别的正确率。
用我们上面测试出正确率最高的step和size组合来对自己拍的图片进行识别：
test1：
test2：
test3：
从上面的结果来看，对于自己拍摄的图片识别正确率并不高，可能是因为背景比较杂对特征提取造成了影响。