初窥图像识别与k-means算法

　　前段时间做了一个车型识别的小项目，思路是利用k-means算法以及词袋模型来做的。

　　近年来图像识别的方法非常非常多，这边只记录一下我那个项目的思路，核心思想是k-means算法和词汇树。

　　很遗憾没有做详尽的开发前的思路文档，只能按照记忆进行大致总结。

　　项目分为三大模块：特征点抽取、训练词汇树、识别(利用训练好的词汇树)。

　　

　　首先是特征点的抽取。我是用的OpenCV的框架来做的特征点抽取。这里提到两种特征点：SURF和SIFT。

　　关于这两种特征点提取算法，这里做简要介绍（其实我真的不太care，主要是看哪个的特性适合我的项目。单纯为了实现这个东西的话我觉得没必要太深究这个，当然如果你要把这个东西做透了，那肯定得好好研究，毕竟源码来看还是有很多可以优化的东西）。

　　SIFT特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。SIFT算法时间复杂度的瓶颈在于描述子的建立和匹配 ，如何优化对特征点的描述方法是提升SIFT效率的关键。

　　SURF算法的优点是速度远快于SIFT且稳定性好;在时间上，SURF运行速度大约为SIFT的3倍；在质量上，SURF的鲁棒性很好，特征点识别率较SIFT高，在视角、光照、尺度变化等情形下，大体上都优于SIFT。

　　这里要提到的一点就是SURF是64维的特征描述子，而SIFT是128维的特征描述子，简单点数说就是SIFT是X=(x1,x2,x3,...,x128)。而SURF是Y=(y1,y2,y3,...,y64)。从做k-means聚类的角度上来说我果断选择了SURF算法来提取（不过因为用的是OpenCV框架，所以几句代码的事。再提一句，OpenCV框架不止C有，Java也有，喜欢Java不喜欢C/C++的朋友可以尝试，我就是用的java代码）。

　　简单点说一幅图就是由N多个SURF特征点构成的，有点像像素点。每一个SURF特征点是一个64维的向量Y=(y1,y2,y3,...,y64)，就像像素一样，一张图不也是由很多很多个像素点组成的吗，每一个像素点是一个三维向量(x,y,z)，其中x,y,z都在0到255之间。

　　首先是SURF特征点的抽取，我们采用OpenCV框架来抽取每一张图的SURF特征点（当时大约10000张图），将所有图中抽出的SURF特征点都放在一起，形成一个特征点“池塘”，有大概几十亿个特征点。

　　第二步是词汇树的训练。我们把这个词汇树定义为一个深层次的二叉树，那么这个二叉树如何生成呢，这里首先要提到k-means聚类算法：

　　k-means聚类算法是一类无监督机器学习的算法。至于什么是机器学习，什么是有监督学习和无监督学习，这里简单介绍，具体可以查百度。

　　机器学习是一类算法的总称，通俗点来讲就是想让机器通过学习来拥有智慧（拥有决策能力），这和大多数的基本算法其实没啥区别，这里还要提到一点就是基于时代的背景，当下机器学习大势是在统计学习上的，至于什么是统计学习，什么是符号学习，这个是机器学习的一个发展史相关的东西，可以百度。也就是说我们根据现有的一些数据，通过一些手段来分析，能够得到一个决策的方法，来了一个新的数据我就知道该干什么（这跟我们人类的思维过程是一样的，我们也是小的时候学到了很多东西，后来遇到一件新的事情之后呢我们就能根据以往的经验来做出决策）。

　　有监督学习和无监督学习是机器学习中的两个大类，有监督学习是说我给定的一大堆数据，是人为标注好哪些数据属于哪一类的。而无监督学习是指我事先不加以人工干预，单纯凭借这一大批数据来进行一个分类或者说预测。

　　k-means算法的大致步骤，这里我用二维坐标系中的点的聚类来形象地表示：

　　1）从N个点随机选取K个K作为质心。对于我们的二维坐标系来说，就是随便找K个点（实际上还有一些初始的找质心的算法，比如说你如果三个点紧挨在一起，最终收敛的可能很慢，可能效果不好，这也是机器学习算法的一个普遍特征，他每次运行出来的结果是不一样的，你的初始状态的设定等等会很大程度上影响算法的运行时长、结果等等）

　　2）对剩余的每个点测量其到每个质心的距离，并把它归到最近的质心的类。对于我们二维坐标系来说，就是计算欧氏距离即

　　（不好意思自己弄得公示有点丑），(x0,y0)即质心。

　　3）重新计算已经得到的各个类的质心，即当前已形成了几类，但是我最开始的质心是瞎找的，所以要再次迭代，重新找质心就是计算这个类当中的所有的点的x的平均值，y的平均值，最终得到的新的(x1,y1)就是一个新的质心。

　　4）迭代2～3步直至新的质心与原质心相等或小于指定阈值，算法结束。

　　从网上贴张图来表示k-means聚类的过程：

　　

　　这是一种比较形象的聚类。可以看到图中三类点被聚到了3类中。

　　那么对于我们项目中的SURF特征点的聚类，实际上和上面提到的二维点聚类是一样的，只不过我们现在是一个64维的坐标系，每一个点是一个64维向量X=(x1,x2,x3,...,x64)

　　而计算距离就是变成了。而质心的坐标就是(x10,x20,x30,...,x640)。

　　接下来就是建立二叉树的过程了，首先我们有一个根结点。我们对于那么多的特征点利用k-means算法分成两类。那么根结点的左右子树分别是我们分好类的A类和B类。紧接着，对于左右子树，我们分别对A类再分成A1，A2两类作为左子树的左右子树；对B类在分成B1，B2两类作为右子树的左右子树，一直迭代，直到迭代到我们需要的层数。我当时定了32层，于是在叶子节点处就有2^31个叶子节点，即有2^31类。然后对每一个叶子节点给一个符号。现在词汇树就建立完成了。

　　接下来就是图像识别。

　　现在我的词汇树已经训练完成，那么我要对我数据库里面的10000张图片做一个调整，毕竟图片是没啥东西可以抽取的，我们要转换成别的形式。于是我们数据库里的每一张图，现在我们来走一遍这个二叉树，就能将一张图片转化为一段文本。具体过程：遍历每一个SURF特征点，然后比较和A1，A2类哪个接近（用欧氏距离），假设离A1近，然后再到A1子树里，比较和A1的左子树，A1的右子树哪个近……就这样一直比较到最终的叶子节点，然后就把这个SURF特征点转化为一个符号（也就是一个文字）。接着我么把所有的数据库中的图片全部转化为文字。

　　然后我们再进一步转化，可以把一张图转化成一个多维向量！这个利用到文本挖掘里面的一点知识，大家可以自行百度，简单说就是由好多好多文本（每一段文本由不同的符号组成，相当于普通文本，每一段文本由不同的词组成嘛），然后选出一系列具有代表性的词（我们不需要选，因为我们只有2^31个词！那么就能转化成2^31维的向量）。

　　紧接着我们拍到了一张新的汽车的图片，我们利用相似的过程将一个新的汽车的图片转化成一个2^31维向量，然后根据已有的数据来匹配，最接近哪些车型？这个过程其实有很多办法，这里不详细展开了，最简单的一种办法就是像刚刚一样计算欧氏距离。

　　那么整个识别过程到这里就介绍完了，当中其实还有很多坑，比如说拍的汽车图片，周围是有很多背景的，在提取SURF特征点过程中，如何防止这些无用的背景的干扰，还有可否拍摄视频来识别？等等有很多问题需要解决，也有很多方法，就不在本文中描述了。