VLAD算法如何保存训练的码书

Question

问题是这样的，在做行为识别中，对提取到的 HOG特征，HOF特征，或者SIFT特征训练码书，用的是VLAD算法。
这是网上搜到的步骤

在第二步中，我将训练集中的特征用K-means 训练完码本之后，应该怎么保存？

训练码本 和 后续的使用码本是不是分开的？（ps：我认为是分开的，或者说我需要分开）

如果说是分开的，将测试集中的特征 根据码本 做 3 步 操作的时候应该怎样操作？

Answer 1

保存训练出的码本可以使用文件存储，例如使用 numpy 库存储为 .npy 文件，或者使用 pandas 库存储为 .csv 文件。这样就可以将训练出的码本保存下来，供后续使用。

在后续的使用中，可以读取之前保存的码本，然后对新的查询图像的特征做剩下的步骤，即：

把新的图像的 SIFT 描述子按照最近邻原则分配到码书上；
计算每个聚类中心的残差和；
对这个残差和做 L2 归一化；
将所有的残差和拼接成长向量；
计算长向量和图像库中的每个向量的欧式距离，输出前 5 个最小距离。
假设你已经训练出了一个使用K-means算法的VLAD码书，该码书共有K个聚类中心，每个聚类中心都对应一个128维的向量。你可以使用以下代码将这个码本保存到磁盘上：

import numpy as np

# 聚类中心的数组，shape为K * 128
cluster_centers = ...

# 保存聚类中心到磁盘
np.save("vlad_codebook.npy", cluster_centers)

在后续的使用中，你可以加载这个码书，然后对新的图像中的SIFT描述子进行分配和残差操作，并使用以下代码加载训练好的码书：

import numpy as np

# 加载聚类中心
cluster_centers = np.load("vlad_codebook.npy")

在接下来的操作中，你可以使用这个cluster_centers数组作为码书，进行图像的检索。