...
...
...
- HOG特征提取+SVM分类器训练、 代码采用OpenCV实现
- OpenCV中已经实现了HOG特征提取和SVM分类器相关算法。我们直接调用相关函数即可。
- 行人数据库采用 INRIA数据库。
该数据库是目前使用最多的静态行人检测数据库，提供原始图片及相应的标注文件。训练集有正样本614张（包含2416个行人），负样本1218张；测试集有正样本288张（包含1126个行人），负样本453张。图片中人体大部分为站立姿势且高度大于100个象素，部分标注可能不正确。图片主要来源于GRAZ-01、个人照片及google，因此图片的清晰度较高。在XP操作系统下部分训练或者测试图片无法看清楚，但可用OpenCV正常读取和显示。
- 正样本来自于
INRIAPerson/96X160H96/Train/pos总共2416张图片，使用时从中间裁剪出大小为64x128的图片。 - 负样本来自于
INRIAPerson/Train/neg有1218张图片，使用时从每一张图片随机裁剪出10张大小为64x128的图片。 - 将正样本(2416张图片)和负样本(12180张图片)提取HOG特征并投入SVM训练，第一轮训练完成。
- 拿第一轮训练得到的SVM分类器对原来的负样本(1218张图片)进行检测，将检测出来的行人(误报)保存为HardExample。
- 将正样本(2416张图片)和负样本(12180张图片)，在加上HardExample一起，提取HOG特征并投入SVM进行第二轮训练。
- 训练完成，得到最终的SVM分类器。
- 测试正样本来自于
INRIAPerson/test_64x128_H96/pos，总共1132张图片（大小为70x134）。 - 测试负样本来自于
INRIAPerson/test_64x128_H96/neg（453张图片），每张图片随机裁剪出10张图片（大小为70x134），总共4530张图片。 - 测试得到结果 TP=795，FN=337，FP=8，TN=4522
- TP：将行人样本分类为行人的样本数
- FN：将行人样本分类为非行人的样本数
- FP：将非行人样本分类为行人的样本数
- TN：将非行人样本分类为非行人的样本数
| 分类结果 | 真实值 | |
| Positive（行人） | Negative（非行人） | |
| Positive（行人） | True Positive (TP) | False Positive (FP) |
| Negative（非行人） | False Negative (FN) | True Negative (TN) |
...
- Dalal, N. and Triggs, B., “Histograms of oriented gradients for human detection,” in [Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on ], 1, 886–893 vol. 1 (June).
- 自己训练SVM分类器进行HOG行人检测 http://blog.csdn.net/masibuaa/article/details/16105073
- 利用Hog特征和SVM分类器进行行人检测 http://blog.csdn.net/carson2005/article/details/7841443