HOG
本文图像内容均来自这里,如果您对cv和dl感兴趣,请查看此连接获取详细介绍。
使用HOG训练的过程
- 样本P是来自训练集的包含对象的正样本
- 样本N是来自训练集的不包含对象的负样本N>>P
- 在正负样本上训练支持向量机
对于负样本每张图片和每个可能的缩放尺度,在每个窗口计算HOG描述和应用你的分类器。如果你的分类器不正确窗口为一个对象,记录结合每个分类概率的false-positive path的特征向量,这个方法成为hard-negative mining。 4 得到从hard-negative mining得到的false-positive样本,通过置信度小小他们同时使用hard-negative样本重新训练你的分类器。(主语:你可以迭代4-5)但是在实际上步总是足够的。为了增加运行hard-negative mining tend变得最小的精确度。
- 你的分类器现在训练可以用在你的测试数据集上。就好像第四步,对每张你的测试集的图片,每个缩放scale,使用滑动狂技术。在每个窗口提取HOG描述应用到分类器。如果你的分类器以一个较大的概率检测到了目标,记录窗口的bounding box。在完成图片扫描后,使用NMS(非极大抑制)删除冗余和重复的bounding box。
下面是NMS效果