我想创建一个应用程序，它可以学习对用户绘制的一系列点进行分类，例如比如手写识别之类的。如果数据点由许多 (x,y) 对组成(例如对应于手势实例的像素)，那么计算该实例的最佳特征是什么，这将有助于形成良好的多类分类器(例如 SVM、 NN等)？特别是在提供的培训示例有限的情况下。
最佳答案
如果我是你，我会找到与角点、端点和交叉点相对应的数据点，将它们用作特征并丢弃中间点。您还可以包含这些兴趣点的角度或其他一些描述符。
要检测兴趣点，您可以使用 Harris detector ，然后您可以使用该点的梯度值作为简单的描述符。或者，您可以使用更奇特的方法，例如 SIFT .
您可以使用下采样图像中每个像素的描述符，然后使用 SVM 进行分类。这样做的缺点是特征向量中会有大量不感兴趣的数据点。
另一种方法是不将其视为分类问题，而是将其视为模板匹配问题(在 computer-vision 中相当常见)。在这种情况下，可以将手势指定为任意数量的兴趣点，完全忽略不感兴趣的数据。实例点的一定阈值百分比必须与模板匹配才能进行积极识别。例如，当将“R”实例的角点与“X”模板进行匹配时，右下点应该匹配，作为相同位置方向的端点，但其他点太不相似，给出的匹配度相当低分数和识别 R=X 将被拒绝。
关于machine-learning - 手势识别功能，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/11023016/