在 OpenCV 中使用 Haar Cascade Classifier 对停车场航拍图像中的汽车进行计数

Question

我想计算停车场航拍图像中的汽车数量。经过一些研究，我相信 Haar Cascade Classifiers 可能是一个选择。我将使用的图像示例类似于 Google 地图中停车场的放大图像。

我目前的计划是使用汽车训练自定义 Haar 分类器，我只在一个方向（上下）裁剪图像，然后在以 15 度增量旋转图像的同时多次尝试识别。我的具体问题是：

1. 在这里使用 Haar 分类器是一种好方法还是有更好的方法？
2. 假设这是一个好方法，当从较大的图像中裁剪汽车以获取训练数据时，最好裁剪一个较大的区域，该区域可能包含相邻停车位中的小部分汽车（尽管一些训练图像显然会包括单人汽车、旁边只有一辆车的汽车等）还是最好将汽车裁剪得尽可能接近其轮廓？
3. 再次假设我采用这种方法，如何避免重复计算汽车？如果一辆车在一个方向上被识别，我不希望它被再次计算。有什么方法可以将汽车标记为已计入并忽略它？

Answer 1

我认为在您的情况下，我不会选择 Haar 功能，您应该搜索旋转不变的东西。

我建议按以下顺序处理此任务： 创建一个可靠的训练/测试数据集，并仔细阅读有关获得良好负样本的论文。以我的经验，好的负样本对分类器的结果质量有很大影响。如果您的所有样本都具有相同的图像大小，那么您的生活会变得更加轻松。添加不同类型的负样本、半辆汽车、只是路面、草、树、人等...

在开始搜索分类器之前，请确保您的评估管道井井有条，并使用最简单的 Haar 分类器进行 10 倍交叉评估。现在你有了一个基线。尝试让您测试的所有功能的软件都正常工作，以防您发现您的数据集需要调整。理想情况下，您可以只执行一个脚本，然后自动对新数据集重新运行整个评估。

当您可以找到旋转不变的特征时，多次计算汽车的问题就不再那么重要了。仍然需要非最大抑制，因为您可能无法通过简单的阈值获得良好的识别。

作为提示，您可能会考虑 HOG 功能，我确实在使用它们的汽车上取得了一些不错的结果。