支持向量机弱学习的Opencv级联分类器

Question

我在做一个与人的检测有关的项目。我成功地实现了基于libSVM的分类器(用libSVM)和级联分类器(用opencv)。svm分类器工作得很好，我对许多视频进行了测试，它正确地检测出了带有少量假阳性和少量假阴性的人；这里的问题是计算时间:整个图像的计算时间接近1.2-1.3秒，前景贴片上的计算时间为0.2-0.4秒；由于我正在从事一个必须能够在几乎实时的环境中工作的项目，所以我转而使用分类器级联(以获得较少的计算时间)。所以我用opencv (opencv_traincascade)训练了许多不同的级联分类器。输出在计算时间上是很好的(在整个图像上有0.2到0.3秒，只有在前景上发射时就少了很多)，所以我达到了目标，比如说。问题是检测的质量:我得到了很多假阳性和很多假阴性。由于这两种方法的唯一区别是opencv中使用的基分类器(决策树或决策桩，据我所知，无论如何没有支持向量机)，所以我开始认为我的问题可能是基分类器(在某种程度上，hog特征最好与超平面分开)。

当然，libsvm和Opencv中使用的数据集完全相同，无论是为了训练还是为了testing...for的完整性，我使用了将近9千个正样本和近3万个负样本。

以下是我的两个问题：

• 是否有可能改变opencv_traincascade函数中的基础弱学习者？如果是的话，这是可能的选择之一？如果两个答案都是肯定的，我如何才能做到这一点？)
• 是否有其他计算机视觉或机器学习库将svm实现为弱分类器，并有一些方法来训练级联分类器？(这些库适合与opencv结合使用吗？)

像往常一样提前谢谢你！

马尔科。

Answer 1

原则上，弱分类器可以是任何类型，但是Adaboost相关方法的优点是它们能够从简单的分类器中获得良好的结果(因为某种原因，它们被称为“弱”)。

使用SVN和Adaboost级联是一个矛盾，因为前者不需要在这样的框架中使用:它能够自己完成它的工作，而后者仅仅是因为它利用了弱分类器而具有快速性。

此外，我不知道关于它的任何研究，而且OpenCv不支持它:您必须自己编写代码。这是一个巨大的任务，你可能不会得到任何有趣的结果。

无论如何，如果您认为HOG功能更适合您的任务，OpenCv的traincascade有一个选项，除了Haar和Lbp。至于你的第二个问题，我不确定，但很有信心，答案是否定的。

我的建议是:尝试从traincascade中获得最大限度的数据，例如，尝试增加您可以获得的样本数量并比较结果。

Answer 2

这个纸相当不错。它简单地说，如果使用较少的样本来训练支持向量机(假设训练集的一半以下)，那么支持向量机可以被视为弱分类器。权重越高，“弱支持向量机”训练的机会就越大。

不幸的是，源代码并没有被广泛使用。如果您想要一个快速的原型，请使用python学习并查看在修改opencv之前是否可以获得理想的结果。