具有SVM作为弱学习者的Opencv级联分类器

Question

我正在开展与人员检测相关的项目。我成功实现了基于HOG SVM的分类器（带有libSVM）和级联分类器（带有opencv）。 svm分类器工作得很好，我测试了很多视频，它正确地检测到了一些误报和一些假阴性的人;这里的问题是计算时间：在整个图像上接近1.2-1.3秒，在前景补丁上0.2-0.4秒;因为我正在开发一个必须能够在近乎实时的环境中工作的项目，所以我切换到了级联分类器（以减少计算时间）。 所以我用opencv（opencv_traincascade）训练了许多不同的级联分类器。输出在计算时间方面是很好的（在整个图像上0.2-0.3秒，只在前景上发射时少得多），所以我实现了目标，比方说。这里的问题是检测的质量：我得到了很多误报和很多假阴性。由于两个方法之间的唯一区别是opencv中使用的基本分类器（决策树或决策树桩，据我所知，无论如何都没有SVM），所以我开始认为我的问题可以是基础分类器（在某种程度上，猪的功能最好用超平面分隔我猜）。

当然，libsvm和Opencv中使用的数据集完全相同，无论是用于训练还是用于测试......为了完整起见，我使用了近9,000个正样本和近3万个负样本。

这是我的两个问题：

• 是否可以在opencv_traincascade函数中更改基础弱学习器？如果是的话，它是svm可能的选择之一吗？如果两个答案都是肯定的，那我该怎么做呢？ ：）
• 是否有其他计算机视觉或机器学习库将svm实现为弱分类器并且有一些训练级联分类器的方法？ （这些库是否适合与opencv一起使用？）

一如既往地谢谢你！

马哥。

Answer 1

原则上弱分类器可以是任何东西，但Adaboost相关方法的优势在于它们能够从简单的分类器中获得良好的结果（由于某种原因，它们被称为“弱”）。 使用SVN和Adaboost级联是一个矛盾，因为前者不需要在这样的框架中使用：它能够自己完成它的工作，后者很快就因为它利用了弱分类器。
此外，我不知道有任何关于它的研究，OpenCv不支持它：你必须自己编写代码。这是一项艰巨的任务，可能你不会得到任何有趣的结果 无论如何，如果您认为HOG功能更适合您的任务，OpenCv的traincascade可以选择它，除了Haar和Lbp。 至于你的第二个问题，我不确定，但相信答案是否定的 我的建议是：尝试从traincascade获得最大的收益，例如尝试增加你可以使用的样本数量并比较结果。

Answer 2

这paper非常好。它只是说如果你使用较少的样本来训练SVM，可以将SVM视为弱分类器（假设不到训练集的一半）。权重越高，“弱SVM”训练的机会就越大。

遗憾的是，源代码并未广泛使用。如果你想要一个快速原型，使用python scikit学习，看看你是否可以在修改opencv之前得到理想的结果。