Question

有没有人试图在TUD-brussel数据集（从本网站引入）上训练HOG-liner svm行人探测器：

https://www.mpi-inf.mpg.de/departments/computer-vision-and-multimodal-computing/research/people-detection-pose-estimation-and-tracking/multi-cue-onboard-pedestrian-detection/

我尝试通过visual studio 2012在opencv上实现它。我根据他们的注释从原始正图像中裁剪出正样本（总共约1777个样本）。从原始负片图像中随机裁剪负样本，每个图像20个样本（总共约3840个样本）。

我还调整了两轮引导（检查hardexamples和重新训练）以改善其性能。然而，这个检测器在TUD-brussel上的测试结果很糟糕，当FPPG（每个图像的假阳性）等于1时，大约97％的未命中率。我发现另一篇论文在用HOG训练TUD-brussel时取得了合理的结果（在图3（a））： https://www1.ethz.ch/igp/photogrammetry/publications/pdf_folder/walk10cvpr.pdf。

有人对在TUD-brussel上训练HOG +线性SVM有任何想法吗？

Answer 1

我最近不得不面对类似的情况。我使用pycharm在python中开发了一个带有hog和线性svm的图像分类器。我面临的问题是需要花费大量的时间进行训练。

<强>解决方案：简单的我将每个图像的大小调整为250 * 250.在我的情况下确实增加了性能

调整每张图片的大小
转换为灰度
找到PCA
将其平放并将其附加到培训列表

将标签附加到培训标签

for file in listing1:
 img = cv2.imread(path1 + file)
 res=cv2.resize(img,(250,250))
 gray_image = cv2.cvtColor(res, cv2.COLOR_BGR2GRAY)
 xarr=np.squeeze(np.array(gray_image).astype(np.float32))
 m,v=cv2.PCACompute(xarr)
 arr= np.array(v)
 flat_arr= arr.ravel()
 training_set.append(flat_arr)
 training_labels.append(1)

现在培训

trainData=np.float32(training_set)
 responses=np.float32(training_labels)
 svm = cv2.SVM()
 svm.train(trainData,responses, params=svm_params)
 svm.save('svm_data.dat')

基于TUD-brussel数据集训练HOG-linear svm

1 个答案: