HOG дескриптор для обучения обнаружению пешеходов

Интересно, почему мой дескриптор HOG не может одолеть правильные силуэты человеческого тела. Я использую параметры, такие какHOG дескриптор для обучения обнаружению пешеходов

CV_WRAP HOGDescriptor() : winSize(64,128), blockSize(16,16), blockStride(8,8), 
     cellSize(8,8), nbins(9), derivAperture(1), winSigma(-1), 
     histogramNormType(HOGDescriptor::L2Hys), L2HysThreshold(0.2), gammaCorrection(true), 
     free_coef(-1.f), nlevels(HOGDescriptor::DEFAULT_NLEVELS), signedGradient(false) 
    {}

Когда я сюжет, почему у меня нет правильных силуэтов, как один образец, показанный в этом discussion. Два изображения прилагаются. Цветное изображение - мой дескриптор hog, а серый - тот, что указан выше.

Каковы факты, которые мне нужны, чтобы иметь правильные силуэты, как показано на картинке в приведенном выше обсуждении?

источник

2016-01-27 batuman

Серое изображение - положительное взвешенное изображение дескриптора HOG. Не чистый дескриптор. Интересно, как обучается дежурный детектор Opencv. Установленный размер детекторов SVM составляет всего несколько килобайт, а скорость обнаружения - хорошая. У моего обученного детектора есть мегабайт размера, а скорость атаки плохая/ложная скорость сигнала высокая. – batuman

Этот сайт может помочь вам: http://www.geocities.ws/talh_davidc/ – SomethingSomething

Серое изображение является положительным взвешенное изображение дескриптора HOG. Не чистый дескриптор. Интересно, как обучается дежурный детектор Opencv. Обученный размер детекторов SVM составляет всего несколько килобайт, а скорость обнаружения хорошая. У моего обученного детектора есть мегабайт размера, а скорость атаки плохая/ложная скорость сигнала высокая.

источник

2016-01-27 08:50:26 batuman

Теперь я могу выяснить, как тренировать SVM с хорошей частотой ложных срабатываний и высоким уровнем обнаружения. Это сначала готовит наборы положительных изображений и негативных изображений. Затем тренируйтесь для поддержки векторов. Затем запустите отрицательные образцы, чтобы получить ложноположительные обнаружения. Затем эти ложные срабатывания добавляются в отрицательные образцы и снова проходят поездку. Этот процесс повторяется два-три раза, пока ложноположительная скорость не улучшится. Тогда это векторы поддержки с хорошей точностью обнаружения. – batuman

HOG дескриптор для обучения обнаружению пешеходов

ответ

Смежные вопросы