怎么提高svm hog svm行人检测的识别率

来源：蜘蛛抓取(WebSpider) 时间：2017-11-10 10:16 标签： hog svm 车辆识别检测
(window.slotbydup=window.slotbydup || []).push({
id: '2014386',
container: s,
size: '234,60',
display: 'inlay-fix'
&&|&&0次下载&&|&&总6页&&|
您的计算机尚未安装Flash，点击安装&
阅读已结束，如需下载到电脑，请使用积分（）
下载：5积分
相关分类推荐
0人评价2页
0人评价1页
0人评价1页
0人评价60页
0人评价62页
所需积分：（友情提示：大部分文档均可免费预览！下载之前请务必先预览阅读，以免误下载造成积分浪费！）
（多个标签用逗号分隔）
文不对题，内容与标题介绍不符
广告内容或内容过于简单
文档乱码或无法正常显示
文档内容侵权
已存在相同文档
不属于经济管理类文档
源文档损坏或加密
若此文档涉嫌侵害了您的权利，请参照说明。
我要评价：
下载：5积分总体思路：
1、提取正负样本hog特征
2、投入svm分类器训练，得到model
3、由model生成检测子
4、利用检测子检测负样本，得到hardexample
5、提取hardexample的hog特征并结合第一步中的特征一起投入训练，得到最终检测子。
深入研究hog算法原理：
一、hog概述
Histograms of Oriented Gradients&
Histograms of Oriented
Gradients,顾名思义，方向梯度直方图，是目标的一种描述的方式，既是描述子。
二、hog提出
hog是05年一位nb的博士提出来的，论文链接
/view/676f1e53af0b2.html
三、算法理解
终于到10月了，终于可以松一口气了，整理一下hog的算法流程。
首先要有一个整体的认识，每一个目标都对应一个一维特征向量，这个向量一共有n维，这个n不是凭空瞎猜的，是有理有据，打个比方，为什么opencv自带的hog检测子是3781维的？这个问题在初期确实比较头疼，纠结了好长的时间，不过别着急，我们先来看一下opencv里的HOGDescriptor这个结构的构造函数HOGDescriptor（Size
winSize,Size blocksize,Size blockStride,Size
cellSize,...(后面的参数在这里用不到)），去查一下opencv默认的参数我们可以看到，winSize（64,128），blockSize（16,16），blockStride（8,8），cellSize（8,8），很显然hog是将一个特征窗口win划分为很多的块block，在每一个块里又划分为很多的细胞单元cell(即胞元)，hog特征向量既是把这些所有的cell对应的小特征串起来得到一个高维的特征向量，那么这个窗口对应的一维特征向量维数n就等于
窗口中的块数 x 块中的胞元数 &x 每一个胞元对应的特征向量数。
写到这里，我们计算一下3781如何得到的，窗口大小64x128，块大小16x16，块步长8x8，那么窗口中块的数目是(（64-16）/8+1)*((128-16)/8+1)
= 7*15 = 105个块，块大小为16x16,胞元大小为8x8，那么一个块中的胞元cell数目是 (16/8)*(16/8) =
4个胞元，到这里我们可以看到要求最后需要的维数n，只需要计算每一个胞元对应的向量，这个参数在哪呢？别急，我们把每一个胞元投影到9个bin（如何投影？这里卡了很长一段时间，后面会说），那么每一个胞元对应的向量就是9维，每个bin对应该9维向量的一个数，现在看一下是不是计算窗口维数的三个需求量都知道了，n
= 窗口中的块数 x 块中的胞元数 &x 每一个胞元对应的特征向量数,带入看一下n= 105x4x9
3780,这就是这个窗口对应的特征了。有人会说，为什么opencv里的getDefaultPeopleDetector()得到的是3781维呢？这是因为另外一维是一维偏移，（很崩溃是吧，我也崩溃很久。。。，下一段解释）。
我们利用hog+svm检测行人，最终的检测方法是最基本的线性判别函数，wx + b =
0，刚才所求的3780维向量其实就是w，而加了一维的b就形成了opencv默认的3781维检测算子，而检测分为train和test两部分，在train期间我们需要提取一些列训练样本的hog特征使用svm训练最终的目的是为了得到我们检测的w以及b，在test期间提取待检测目标的hog特征x，带入方程是不是就能进行判别了呢？
**************************************************************************************************
&华丽的分割线
写到这里，至少对hog的运作流程有了一个大概的认识，在网上能看到很多的hog计算方法，神马归一化，计算梯度，对每个胞元进行投影，千篇一律，对刚开始接触的人来说，看完好像懂了，但就是不知道怎么用，hog和svm如何配合，而且那些东西对我们的初期的学期完全没用，好处就是会用hog了，再回过头去看原理，才有收获，那些资料网上一堆，这里就不画蛇添足了。
另外值得一提的是在计算胞元特征的时候，需要向各个bin投影，这个投影里面大有文章，师兄毕业论文里就提到了，取名叫‘三维一次线性插值’，如果想深入了解hog的可以仔细琢磨去。
**************************************************************************************************
&继续华丽的分割
下面说一下libsvm和CvSVM的使用，我觉得libsvm更好用，不过cvsvm也是基于libsvm2.6(没记错的话)改写的，这两个的区别就是libsvm训练得到的是一个model，而cvsvm是xml文件，在计算最后的wx+b=0中的w向量的时候，对于libsvm直接处理model文件即可，但是对于cvsvm则可以跳过产生xml文件，直接使用cvsvm的对象中的属性即可（这里说的有点模糊，二者选一个即可，关系倒不是很大）
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。工具类服务
编辑部专用服务
作者专用服务
基于HOG和SVM的级别自适应车型识别算法
针对现有智能交通系统中视频车辆车型识别方法存在的误检率高、效率低的问题,提出一种基于梯度方向直方图和支持向量机(SVM)的级别自适应车型识别算法.选择大车车头和小车车身的HOG特征作为车辆描述特征,建立一种新的级别自适应模型,以提高检测识别效率;采用SVM训练分类方法,设计了模板匹配策略,构造两类车型分类器,以提升识别准确度.通过标准的交通卡口实验,表明该算法不仅在正常的光照条件下具有较高的识别效率和较低的误检率,而且在不同的光照条件下具有很好的鲁棒性.
CAI Xiaodong
LIANG Benxiang
作者单位：
桂林电子科技大学信息与通信学院,广西桂林,541004
年，卷(期)：
Keywords：
在线出版日期：
基金项目：
国家科技支撑计划，广西自然科学基金，桂林电子科技大学研究生教育创新计划
本文读者也读过
相关检索词
万方数据知识服务平台--国家科技支撑计划资助项目（编号：2006BAH03B01）(C)北京万方数据股份有限公司
万方数据电子出版社匿名用户不能发表回复！|
每天回帖即可获得10分可用分！小技巧：
你还可以输入10000个字符
(Ctrl+Enter)
请遵守CSDN，不得违反国家法律法规。
转载文章请注明出自“CSDN（www.csdn.net）”。如是商业用途请联系原作者。

我要回帖

更多关于 hog svm 车辆识别检测 的文章

 

随机推荐