【Machine Learning】【Python】五、Sliding Window + SVM + NMS for Localization ---- 《SVM物体分类和定位检测》

建议用后面EdgeBoxes做边框预测，比SW快一点准一点。如果大家感兴趣，也建议用faster rcnn SPN层中的anchor技术。
--------------------------------------------------------------------------
《SVM物体分类和定位检测》这一系列博文结束了。

总结一下我用着最好的方法流程吧。

1. 先HoG提取特征feature
2. 用PCA对feature降维然后用PSO优化参数C和gamma，降维的目的是加快PSO运行速度，否则太慢，但分类效果降低
3. 用第一步拿到的feature和第二步拿到的参数训练一个初始SVM模型
4. 用Hard Negative Mining优化SVM模型
5. 用滑窗进行detection，最后用NMS做边框回归

目前2700正样本，2700负样本，只经过PSO优化参数后训练好模型，分类测试准确率84%。测试集1200负样本，700正样本。
但是检测框的精确不高，误检测很多。

------------【2017.07.10 更新】-------------------------------------------------------------------------------------------
对detection代码修改了一点，对数据集进行了一些处理。通过PSO优化参数后的SVM模型测试准确率85.6%左右，以100像素为步长做完HNM后的模型准确率将为83%左右，但是detection误检测降低很多。后来我又以50像素为步长重新HNM，现在的模型做detection效果已经很不错，误检测很少，正确检测虽然不稳定，但是已经满足需求了。我用100像素做步长，最后是对3.9W特征训练SVM模型，模型大小116M。我用50像素做步长，最后是对9W多特征训练SVM，模型大小190M。
多说一嘴，我用HoG对每张图片提取了2900多特征。在做PSO的时候，之前一直是用PCA给降维到500。为了追求更好的效果，后来我都是降维到2000做PSO。虽然会慢很多，但效果好一点。
-------------------------------------------------------------------------------------------------------------------------------------
最新代码Github地址： https://github.com/HandsomeHans/SVM-classification-localization