2

我正在从事与人员检测相关的项目。我成功地实现了基于 HOG SVM 的分类器(使用 libSVM)和级联分类器(使用 opencv)。svm 分类器工作得非常好,我测试了一些视频,它正确地检测到了一些假阳性和一些假阴性的人;这里的问题是计算时间:整个图像大约需要 1.2-1.3 秒,前景补丁需要 0.2-0.4 秒;因为我正在从事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很好(在整个图像上为 0.2-0.3 秒,仅在前景上发射时要少得多),所以我实现了目标,让我们说。这里的问题是检测质量:我得到了很多误报和很多误报。由于这两种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,无论如何没有SVM),所以我开始认为我的问题可能是基本分类器(在某种程度上,我猜猪特征最好与超平面分开)。

当然,libsvm和Opencv中使用的数据集是完全一样的,无论是训练还是测试……为了完整起见,我使用了近9000个正样本和近30000个负样本。

这是我的两个问题:

  • 是否可以更改 opencv_traincascade 函数中的基础弱学习器?如果是,它是 svm 可能的选择之一吗?如果两个答案都是肯定的,我该怎么做?:)
  • 是否有其他计算机视觉或机器学习库将支持向量机实现为弱分类器并有一些方法来训练级联分类器?(这些库是否适合与 opencv 结合使用?)

一如既往地提前感谢您!

马可。

4

2 回答 2

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(它们被称为“弱”是有原因的)。
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:它可以自己完成工作,而后者只是因为它利用了弱分类器而很快。
此外,我不知道有任何关于它的研究,OpenCv 也不支持它:你必须自己编写代码。这是一项艰巨的任务,您可能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,除了 Haar 和 Lbp 之外,OpenCv 的 traincascade 有一个选项。至于你的第二个问题,我不确定但很有信心,答案是否定的。
我的建议是:尽量从 traincascade 中获得最大的收益,例如尝试增加样本 id 的数量并比较结果。

于 2015-11-21T08:27:19.523 回答
0

这篇论文相当不错。它只是说,如果您使用较少的样本来训练它(假设少于训练集的一半),SVM 可以被视为弱分类器。权重越高,被“弱 SVM”训练的机会就越大。

不幸的是,源代码并没有被广泛使用。如果你想要一个快速的原型,在修改 opencv 之前使用 python scikit learn 看看你是否能得到理想的结果。

于 2015-12-18T01:49:27.333 回答