使用opencv的hog实现

Question

我想使用 opencv 的 hog 实现来检测图像中的物体。我在 opencv 的文件夹 samples 中找到了 peopledetect.cpp，它是使用预训练模型的 hog 算法的默认实现。通过谷歌搜索，我发现这种默认方法不能令人满意。我必须使用 libSvm 创建自己的模型。我的第一个问题是有任何解释此过程的教程或示例吗？第二个，我的模型应该学习什么？什么将是我的训练样本？仅包含人物的图像？

编辑问题：是否有机会训练一个仅包含人体图像的一类模型？我试图理解代码in here。它计算数据库的 hog 特征并训练 svm 模型。在评估过程中，它使用带有 detectMultiScale 的 hog 级联。 detectMultiScale 和 SVM 是什么关系？

我已经训练了一个带有线性内核的 libsvm，并提供了 from here 的图像。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%（wuth svm_predict）。如何在测试图像中定位身体的位置？我可以为此目的使用detectmultiscale吗？用 svm 模型喂 multiscallefunction？我注意到在我的 svm 模型中，一些支持向量在行的开头没有标签，但只有符号。这是正常现象，还是可能是错误？

Hogcascade 似乎对我不起作用（f.e 在image）：

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 个尸体。

Answer 1

1. 该过程在纸面上非常简单。从图像中提取 HOG 特征，创建训练向量，分配标签并将其提供给分类器进行学习。 This 将是一个很好的实验场所。我不确定this 的效果如何，但它绝对是一个很好的来源。还有一些智慧here。
2. 您的模型应该了解人物图像的 HOG 特征。一个训练样本将是 HOG 特征向量（而不是直接图像本身）。对于负类，它将再次是来自不包含人的图像的 HOG 特征。

Answer 2

1. 拍摄一堆包含人物的图像。您需要所有人都在他们周围用一个矩形标记。
2. 将这些 ROI 转换为 HOG 特征（这些将是正训练数据）。还将图像的非人物区域转换为 HOG 特征（负训练数据）。 HOG 特征必须具有相同的维度。查看相应论文中的最佳参数，即每个矩形有多少 HOG 细胞，每个 HOG 细胞的维度（通常为 31）。这要求所有矩形都具有相同的纵横比（我认为）。
3. 训练分类器。您的训练数据是您在上一步中计算的所有特征，正面训练数据（指人的 HOG 特征）的标签为 +1，负面训练数据的标签为 -1。您可以将这两个都传递给 libsvm。再次阅读论文，了解他们用于训练 SVM 的参数。我猜它是一个线性 SVM，可能具有 L1 距离度量，因为 HOG 是非常多的直方图，而直方图不适用于 L2 范数。但这只是猜测。
4. Libsvm 将返回一个模型。您应该通过测量测试数据的精度/召回率来测试它的好坏。 （或测量 ROC，或任何你想要的）。 Libsvm 也有这方面的功能。