用於行人檢測訓練的HOG描述符

我想知道爲什麼我的HOG描述符不能勝過人體的正確輪廓。我使用的參數，如用於行人檢測訓練的HOG描述符

CV_WRAP HOGDescriptor() : winSize(64,128), blockSize(16,16), blockStride(8,8), 
     cellSize(8,8), nbins(9), derivAperture(1), winSigma(-1), 
     histogramNormType(HOGDescriptor::L2Hys), L2HysThreshold(0.2), gammaCorrection(true), 
     free_coef(-1.f), nlevels(HOGDescriptor::DEFAULT_NLEVELS), signedGradient(false) 
    {}

當我繪製出來，爲什麼我沒有正確的輪廓在本discussion所示的一個樣本。附上兩張圖片。彩色圖像是我的豬描述符，灰色是上述鏈接中的一個。

在上述討論中，我需要查看具有正確輪廓的事實，如圖所示？

來源

2016-01-27 batuman

灰度圖像是HOG描述符的正加權圖像。不是純粹的描述符。我想知道Opencv的默認人員探測器是如何訓練的。訓練好的SVM檢測器大小隻有幾千字節，檢測率很好。我訓練有素的探測器具有兆字節大小，命中率低/虛警率高。 – batuman

這個網站可能會幫助你：http://www.geocities.ws/talh_davidc/ – SomethingSomething

灰色圖像是HOG描述符的正加權圖像。不是純粹的描述符。我想知道Opencv的默認人員探測器是如何訓練的。訓練好的SVM檢測器大小隻有幾千字節，檢測率很好。我訓練有素的探測器具有兆字節大小，命中率低/虛警率高。

來源

2016-01-27 08:50:26 batuman

現在我可以弄清楚如何訓練具有良好誤報率和高檢測率的SVM。這是第一次準備正面圖像和負面圖像的集合。然後訓練支持向量。然後運行負樣本以獲得假陽性檢測結果。然後將這些誤報添加到負樣本中並再次訓練。這個過程重複兩到三次，直到誤報率沒有太大改善。那麼這就是具有良好檢測精度的支持向量。 – batuman

用於行人檢測訓練的HOG描述符

回答

相關問題