使用hog实现opencv

Question

我想使用hog实现的opencv，以检测身体在图像。我在opencv的文件夹示例中发现了peopledetect.cpp，它是使用预训练模型的hog算法的默认实现。稍微谷歌一下，我发现这种默认的方法不能令人满意地工作。我必须使用libSvm创建自己的模型。我的第一个问题是有任何教程或例子来解释这个过程吗？第二，我的模特应该学些什么？我要做什么训练样本？只包含人的图片？

编辑问题:是否有机会培养一种只包含人体图像的一级模型？我正在努力理解代码在这里。它计算了一个数据库的hog特性，并训练了一个svm模型。在评价过程中，采用了hog级联和detectMultiScale。detectMultiScale与支持向量机的关系是什么？

我用从这里开始提供的图像训练了一个带有线性内核的libsvm。图像有两种，一种是包含人的，一种是没有人的。训练结果接近98%( svm_predict)。如何定位人体在测试图像中的位置？我能用多尺度探测来达到这个目的吗？用svm模型馈电多尺度函数？在我的svm模型中，我注意到一些支持向量在行的乞讨中没有标签，但是只有符号。这是正常的事情还是可能是个窃听器？

它似乎对我不起作用(图像中的F.E)：

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;

每次我都有0具身体。

Answer 1

1. 拍一堆包含人的照片。你需要所有的人在他们周围标记一个长方形。
2. 将这些ROIs转换为HOG功能(这些将是积极的培训数据)。同时将非人物区域的图像转换成HOG特征(负面的训练数据)。HOG的特征必须是相同的维度。在相关的论文中找出最优的参数，即每个矩形的HOG单元数，每个HOG单元的维数(31个正常值)。这要求所有矩形具有相同的长宽比(我认为)。
3. 训练分类器。您的培训数据是您在上一步中计算出来的所有特性，您的标签是+1表示正面培训数据( HOG功能引用人员)和-1表示负面培训数据。您可以将这两个都传递给libsvm。再读一遍报纸，看看他们用来训练支持向量机的参数。我猜它是一个线性支持向量机，它有潜在的L1距离度量，因为HOG是很大程度上的直方图，而直方图与L2范数不太一致。但那只是猜测。
4. Libsvm将返回一个模型。您应该通过测量测试数据的精确度/召回量来测试它有多好。(或测量中华民国，或任何你想要的)。Libsvm也有这方面的功能。

Answer 2

1. 这个程序在纸上是很直接的.从图像中提取HOG特征，创建一个训练向量，分配一个标签并给分类器学习。这将是一个很好的实验场所。我不知道这有多有效，但它绝对是一个很好的来源。还有一些智慧这里。
2. 你的模型应该是为了了解一个人的形象的猪特征。一个训练样本是HOG特征向量(而不是直接图像本身)。对于负面类来说，它将再次从不包含人的图像中获取大量功能。