计算机视觉中的词袋模型(Bow,Bag-of-words)
读 'xw20084898的专栏'的blogBag-of-words model in computer vision
Bag-of-words 模型
之前教研室有个小伙伴在做文本方面的东西，经常提及词袋模型，只知道是文本表示的一种，可是最近看的关于CV的论文中也出现BoW模型，就很好奇BoW到底是个什么东西。
BoW起始可以理解为一种直方图统计，开始是用于自然语言处理和信息检索中的一种简单的文档表示方法。 和histogram 类似，BoW也只是统计频率信息，并没有序列信息。而和histogram不同的是，histogram一般统计的某个区间的频数，BoW是选择words字典，然后统计字典中每个单词出现的次数。
比如下面两个文档
John likes to watch movies. Mary likes too.
John also likes to watch football games.
首先可以找出两篇文档中单词的并集，作为dictionary
{"John":1, 'likes':2, "to":3, 'watch':4, 'movies':5, 'also':6, 'football':7, 'games':8, 'Mary':9, 'too':10}
那么两篇文档统计出来的BoW 向量就是
[1,2,1,1,1,0,0,0,1,1]
[1,1,1,1,0,1,1,1,0,0]
BoW model in CV
2003年以来，BoW出现在CV中，如图像分类、图像检索等。
其大概过程首先提取图像集特征的集合，然后通过聚类的方法聚出若干类，将这些类作为dictionary，即相当于words，最后每个图像统计字典中words出现的频数作为输出向量，就可以用于后续的分类、检索等操作。
以sift特征为例，假设图像集中包含人脸、自行车、吉他等，我们首先对每幅图像提取sift特征，然后使用如kmeans等聚类方法，进行聚类得到码本(dictionary)
之后在每一幅图像中统计sift特征点在码本上的频数分布，得到的向量就是该图像的BoW向量。
最后就可以使用这些向量进行模式识别的其他操作了。
下图中给出了一个整体的过程
