您的位置：首页 > 运维架构

【OpenCV】基于HOG与SVM的行人检测学习

2015-05-27 17:35 537 查看
最近听了关于HOG与SVM的报告，比较深刻的学习了算法原理与实现方式。这里根据一些资料作下总结，方便日后拾起：

A.方向梯度直方图（HOG,Histogram of Gradient）


将图像依次划分为检测窗口（window）、块（block）、胞元（cell）3个层次

大体流程：

逐像素计算方向梯度；

对cell中的像素根据梯度划分区间，给出统计直方图；

对于每个block中重叠的cell进行对比度归一化；

把所有直方图向量组成HOG特征向量。

HOG特征向量:



OpenCV对于HOG描述子（即特征向量）维度的计算：

size_t HOGDescriptor::getDescriptorSize() const
{
CV_Assert(blockSize.width % cellSize.width == 0 &&
blockSize.height % cellSize.height == 0);
CV_Assert((winSize.width - blockSize.width) % blockStride.width == 0 &&
(winSize.height - blockSize.height) % blockStride.height == 0 );
return (size_t)nbins*
(blockSize.width/cellSize.width)*
(blockSize.height/cellSize.height)*
((winSize.width - blockSize.width)/blockStride.width + 1)*
((winSize.height - blockSize.height)/blockStride.height + 1);
}


如以下HOG检测器：检测窗口(64,128)，块尺寸(16,16)，块步长(8,8)，cell尺寸(8,8)，直方图bin个数9

HOGDescriptor hog(Size(64,128),Size(16,16),Size(8,8),Size(8,8),9);//HOG检测器，用来计算HOG描述子的


其特征向量维度即：



B.支持向量机SVM(Support Vector Machine）


它是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。

大体可以理解为：利用正负样本（特征）学习，确定分割两种训练样本的最佳超平面，从而用于新对象的分类、识别。这里便是提取正负样本的HOG特征进行训练，然后同样根据待分类对象的HOG特征进行归类或识别。



C.具体资料


支持向量机(SVM)介绍与实现： http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html

方向梯度直方图（HOG）学习笔记： http://blog.sina.com.cn/s/blog_60e6e3d50101bkpn.html

训练SVM分类器进行HOG行人检测（实例）： /article/2151922.html

OpenCV HOGDescriptor 参数图解： /article/2172925.html

内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息
标签： 
相关文章推荐
新的分享
章节导航