0

Je me demande pourquoi mon descripteur HOG ne peut pas prévaloir les bonnes silhouettes du corps humain. J'utilise les paramètres commeDescripteur HOG pour la formation à la détection des piétons

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) 
    {} 

Quand je les ai tracer pourquoi je n'ai pas silhouettes correctes comme un échantillon montré dans ce discussion. Les deux images sont jointes. L'image en couleur est mon descripteur de porc et le gris est celui du lien ci-dessus.

Quels sont les faits que je dois examiner pour avoir des silhouettes correctes comme montré dans l'image dans la discussion ci-dessus?

enter image description here enter image description here

+0

L'image grise est l'image pondérée positive du descripteur HOG. Pas le descripteur pur. Je me demande comment le détecteur de personnes par défaut d'Opencv est formé. La taille du détecteur SVM entraîné est seulement de quelques kilo-octets et le taux de détection est bon. Mon détecteur entraîné a un mégaoctet de taille et le taux de réussite est faible/le taux de fausses alarmes est élevé. – batuman

+0

Ce site peut vous aider: http://www.geocities.ws/talh_davidc/ – SomethingSomething

Répondre

0

L'image est l'image grise pondéré positif au descripteur de porc. Pas le descripteur pur. Je me demande comment le détecteur de personnes par défaut d'Opencv est formé. La taille du détecteur SVM entraîné est seulement de quelques kilo-octets et le taux de détection est bon. Mon détecteur entraîné a un mégaoctet de taille et le taux de réussite est faible/le taux de fausses alarmes est élevé.

+0

Maintenant, je peux comprendre comment former SVM avec un bon taux de fausses alarmes et une détection élevée. C'est d'abord préparer des séries d'images positives et d'images négatives. Ensuite, entraînez-vous pour les vecteurs de soutien. Ensuite, exécutez les échantillons négatifs pour obtenir de fausses détections positives. Ensuite, ces faux positifs sont ajoutés dans des échantillons négatifs et entraînent à nouveau. Ce processus est répété deux à trois fois jusqu'à ce que le taux de faux positifs ne soit pas beaucoup amélioré. Ensuite, ce sont les vecteurs de support avec une bonne précision de détection. – batuman