視覺單詞 可以 理解爲就是 Local Feature
什麼是Local Feature 呢
包含兩個信息：
座標位置（x,y）
描述符（描述算子 descriptor） 這個描述符是用來可以被量化比對的 做match
計算機視覺中 最重要的Local Feature 就是SIFT ：Scale Invariant Feature Transform
SIFT 是一種非常典型的 著名的Local Feature
同樣包含剛剛說的兩個信息：
座標位置 Detector 檢測器
特徵描述算子 descriptor 用來描述特徵向量
SIFT 不是機器學習學出來的 是科學及根據統計學數學 等等規定出來的，給定一個圖片就可以去算它的Local Feature 信息
所以使用opencv 一行api就可以搞定
會輸出如上兩個信息
假如圖像計算出了100個點，
那麼它的座標位置的信息 就會是100*2 的矩陣 100表示點的數量 2表示x和y兩個元素
如果是128維的特徵向量來描述特徵算子 所以還會有 100*128的矩陣 每一行是一個descriptor描述符描述算子 用來對應表示前面每一行的（x,y）的feature
越高清的圖片 檢測出的點越多
左邊的衣服不太可能去匹配到右邊的腦門
從幾何上來說 大多數線都是平移過來，但是有個別線是斜着的 違背了大方向 是明顯錯誤的 所以把它去掉 這種基於幾何校驗的方式 非常有名 叫做隨機一致性採樣 Ransac
視覺單詞模型的基本結構
Step1：Feature Extraction 特徵提取 會得到兩個信息 位置 和 描述算子特徵向量
Step2：Codebook Construction 構造詞典 其實就是做了聚類，然後取聚類中心構造詞典，既可以降維又可以表徵特徵
Step3：Vector Quantization
假設這是一張圖，每個黑色的叉叉是keypoint 或者說 local feature
紅色的圓圈是聚類出來的中心
可以看到，黃色的區域，有4個特徵點，（截圖少一個），y5 是這個區域的聚類中心，都用y5作爲特徵表達，所以在直方圖統計中 對y5的橫座標就會加上4的分量
整個流程就是
Bag of vision words BoVW
