如果可以实现 SVM，则可以量化特征。:)

通常使用 k-means 聚类对特征进行量化。首先，您决定您的“词汇量”应该是多少（比如 200 个“视觉词”），然后针对该数量的集群（200）运行 k-means 聚类。SIFT 描述符是128 个元素的向量，即128 维空间中的点。因此，您可以尝试对它们进行聚类，就像任何其他点一样。您从大量图像中提取 SIFT 描述符，类似于您希望使用特征包进行分类的那些。（理想情况下，这应该是一组单独的图像，但实际上人们通常只是从他们的训练图像集中获取特征。）然后你在这组大的 SIFT 描述符上运行 k-means 聚类，将其划分为 200 个（或其他）集群，即将每个描述符分配给一个簇。k-means 将为您提供 200 个聚类中心，

然后，您获取图像中的每个 SIFT 描述符，并通过找到离它最近的集群中心来确定它属于 200 个集群中的哪一个。然后，您只需计算每个集群中有多少特征。因此，对于具有任意数量的 SIFT 特征的任何图像，您都有 200 个 bin 的直方图。那是您提供给 SVM 的特征向量。（注意，特征一词严重超载）。

我记得，关于如何对这些直方图进行归一化，已经做了很多工作。我可能是错的，但我似乎记得一篇论文声称二进制特征向量（即，如果该集群中至少存在 1 个特征，则为 1，否则为 0）比直方图效果更好。您必须查看文献以获取详细信息，并且细节很重要。

编辑： MATLAB 的计算机视觉系统工具箱现在提供功能包功能。