HOG+SVM行人检测及计数讲述.pptx

HOG + SVM 的行人检测及计数 指导老师：高陈强 小组组员：高权奥 成书杉 DEMO 训练集 提取 特征 SVM 模型 测试集 输出 HOG Histogram of Oriented Gradient 方向梯度直方图 其作者Navneet Dalal和Bill Triggs是法国国家计算机技术和控制研究(INRIA)的研究员，他们在2005年的CVPR上首先发表了描述方向梯度直方图的论文。在这篇论文里，他们主要是将这种方法应用在静态图像中的行人检测上也将其应用在影片中的行人检测，以及静态图像中的车辆和常见动物的检测。 from skimage.feature import hog sklearn SVM Support Vector Machine 支持向量机 from sklearn.svm import LinearSVC clf = LinearSVC() #线性二分类 clf.fit( features, labels)#训练分类器 套路 Non-Maximum Suppression 非极大抑制 简单来说就是 找到置信度比较高的 Bounding box from imutils.object_detection import non_max_suppression 我是如何数人数的呢...... pick = non_max_suppression(rects, probs=None, overlapThresh=0.65) for (xA, yA, xB, yB) in pick: cv2.rectangle(image, (xA, yA), (xB, yB), (0, 255, 0), 2) count = count + 1 框了几个人，就认为图像中有几个人 总结 * 算法准确率评估 * 存在的不足 * 心得体会 准确率 在无遮挡或遮挡较小，光照条件较好的情况下，有比较高的准确率 准确率 74.3% 复杂情形 实际上11人 检测出6人 存在的不足 * 有遮挡的情况下，识别能力较弱 * 图像中人的大小不一的时候，容易漏报 * 仅适用于近处摄像头拍摄的街景行人识别 未检测出行人 USCD pedestrians DataSet 心得体会