我相对是计算机愿景的新手，目前正在进行一个学习项目的研究项目，我在所有图像中都有固定的感兴趣区域（ROI）目前，我必须比较它们的形状，以给出两个输入图像中存在的对象是否相同。有轻微的翻译和规模变化和照明变化。
我试图在两个输入图像之间比较对象的形状，并尝试提供描述其相似性的输出值。如果相似性高于某个阈值，我可以说两个输入图像中都存在相同的对象。
我尝试了轮廓，但是它没有给出可靠的结果（阈值提供了太多的细节或错过了一些重要的细节），并且对所有图像都没有很好地概括。我正在考虑使用像猪等全球形状描述符。
，但是我在理解HOG描述符的特征向量值时遇到问题。如何比较两个输入图像的HOG特征向量（1D）以在不使用SVM或机器学习的情况下找到相似性？比较猪特征向量的最佳方法是什么？
我不明白距离测量如何比较未来的向量。我想了解如何使用距离来比较特征向量和直方图的物理含义？如何使用它们比较Hog特征向量？
对不起，您的问题实际上很难理解。我认为您走错了方向。
How to compare HOG feature vectors(1D) for the two input images to find similarity without using SVM or machine learning?
svm是将向量与词典进行比较的工具，以找到最正确的答案。为了相似性，它只是两个图像代表的向量的距离。不要过度思考，它会杀死您
在您的情况下，您将HOG功能用作图像代表的向量。因此，计算它们之间的欧几里得距离。该值有相似之处。
您可以看到MATLAB PDIST方法来查找易于使用的距离计算方法的列表。
这里的问题不是如何比较特征向量，而是如何用单个向量表示您的图像。更好的图像代表导致更好的性能。例如：字袋，CNN等。有很多，对于新手来说，就像您从字袋开始。
希望有帮助并欢迎计算机视觉世界