构建视觉词典就是把大量局部描述子（比如 ORB 的二进制描述子）聚成若干类"视觉单词"（visual words）。每个簇心代表一类相似的局部图像模式（比如"椅子腿的某种局部纹理"）。之后把每张图像里出现的这些单词频率统计成一个定长向量（BoW histogram），用于训练分类器。
1. 整体流程（高层次步骤）
-
对训练集中每张图像用 ORB 提取描述子（descriptors）。
-
把所有图像的描述子合并成一个大集合（可能很大）。
-
对集合采样（必要时），然后对描述子做聚类（通常用 k-means）得到 K 个簇心（这就是视觉词典）。
-
对每张图像，把它的描述子映射到最近的簇心，统计每个簇心出现的次数 → 得到长度为 K 的直方图（BoW）。
-
对直方图做归一化 / TF-IDF / L2 标准化 等预处理，再送入分类器（SVM等）。