使用opencv的hog實現

Question

我想使用豬的opencv實現，以檢測圖像中的身體。 我在opencv的文件夾中找到了peopledetect.cpp樣本，這是使用預訓練模型的hog算法的默認實現。 稍加搜查，我發現此默認方法無法令人滿意地工作。 我必須使用libSvm創建自己的模型。 我的第一個問題是，有沒有解釋此過程的教程或示例？ 第二，我的模型應該學習什么？ 我要訓練什么樣本？ 僅包含人物的圖像？

編輯問題：是否有可能訓練僅包含人體圖像的一類模型？ 我試圖理解這里的代碼。 它計算數據庫的生豬特征並訓練svm模型。 在評估過程中，它使用了帶有detectMultiScale的生豬級聯。 detectMultiScale與SVM有什么關系？

我已經用這里提供的圖像訓練了帶有線性內核的libsvm。 圖像有兩種，一種包含人，一種沒有人。 訓練結果接近98％（wuth svm_predict）。 如何在測試圖像中定位物體的位置？ 我可以為此目的使用detectmultiscale嗎？ 用svm模型供入多學科功能？ 我在svm模型中注意到，一些支持向量在行的開始時沒有標簽，而僅帶有符號。 這是正常現象，還是可能是錯誤？

Hogcascade它似乎不（中鐵為我工作的圖像 ）：

CascadeClassifier body_cascade;
body_cascade.load("cascades/hogcascade_pedestrians.xml");    
Mat image, gray_image;
image = imread( fileName, 1 );
resize(image, image, Size(150, 200));

vector<Rect> bodies;
cvtColor(image, gray_image, CV_BGR2GRAY);
body_cascade.detectMultiScale( gray_image, bodies, 1.3, 5 );
cout << "size of detection" << bodies.size() << endl;

每次我得到0具屍體。

Answer 1

1. 該過程在紙面上非常簡單。 從圖像中提取HOG特征，創建訓練向量，分配標簽並將其提供給分類器以進行學習。 這將是一個極好的實驗場所。 我不知道效果如何這是，但它絕對是一個很好的來源。 而一些智慧在這里為好。
2. 您的模型應該了解人的圖像的HOG特征。 一個訓練樣本將是HOG特征向量（而不是直接圖像本身）。 對於否定類，它將再次成為不包含人物的圖像的HOG功能。

Answer 2

1. 拍攝一堆包含人的圖像。 您需要所有人周圍都標記有矩形。
2. 將這些ROI轉換為HOG功能（這些將是積極的訓練數據）。 還將圖像的非人物區域轉換為HOG特征（負訓練數據）。 HOG功能必須具有相同的尺寸。 在各個文件中查看最佳參數，即每個矩形有多少個HOG單元，每個HOG單元的維數（通常為31個）。 這要求所有矩形都具有相同的縱橫比（我認為）。
3. 訓練分類器。 訓練數據是您在上一步中計算出的所有特征，正訓練數據的標簽為+1（指的是人的HOG特征），負訓練數據的標簽為-1。 您可以將這兩個都傳遞給libsvm。 同樣，請閱讀論文以了解它們用於訓練SVM的參數。 我猜這是一個可能具有L1距離度量的線性SVM，因為HOG非常多為直方圖，而直方圖不適用於L2范數。 但這只是一個猜測。
4. Libsvm將返回一個模型。 您應該通過測量測試數據的精度/召回率來測試其性能。 （或測量ROC，或任何您想要的）。 Libsvm也具有此功能。