我是计算机视觉的新手，现在正在做一个关于形状检测的学习项目，我在所有可能存在物体的图像中都有一个固定的感兴趣区域（ROI），我必须比较它们的形状以确定是否两个输入图像中存在的对象是否相同。有轻微的平移和尺度变化以及光照变化。
我试图比较两个输入图像之间的对象的形状，并试图提供描述其相似性的输出值。如果相似度高于某个阈值，我可以知道两个输入图像中都存在相同的对象。
我已经尝试了轮廓，但它没有给出可靠的结果（阈值处理要么提供太多细节，要么错过了一些重要的细节）并且不能很好地概括所有图像。我正在考虑使用像HOG这样的全局形状描述符。
但是我在理解HOG描述符中的特征向量值时遇到了问题。如何比较两个输入图像的HOG特征向量（1D），以便在不使用SVM或机器学习的情况下找到相似性？比较HOG特征向量的最佳方法是什么？
我不明白距离测量如何用于比较未来的向量。我想了解距离如何用于比较特征向量和直方图的物理意义？如何使用它们来比较HOG特征向量？
对不起，您的问题实际上很难理解。我认为你的方向是错误的。
How to compare HOG feature vectors(1D) for the two input images to find similarity without using SVM or machine learning?
SVM是用于将向量与字典进行比较以找到最直接答案的工具。对于相似性，它只是两个图像表示矢量的距离。不要过度思考，它会杀了你
在您的情况下，您使用HOG功能作为图像表示的矢量。所以计算它们之间的欧几里德距离。那个价值是相似的。
你可以看到matlab pdist method找到一个易于使用的距离计算方法列表。
这里面临的问题不在于如何比较特征向量，而是如何通过单个向量来表示您的图像。更好的图像代表了更好的性能。例如：Bag-of-word，CNN等。有很多这样的，对于新手来说，就像你从袋子开始。
希望对计算机视觉世界有所帮助和欢迎