admin管理员组

文章数量:1622541

目录

  • CVPR2005-用于人体检测的梯度方向直方图 Histograms of Oriented Gradients for Human Detection
    • 使用的数据集
    • 研究方法
      • 数据
      • 流程
    • 双对数坐标上的评价曲线DET
    • 结果综述
    • 算法实现和性能研究
      • 检测器参数
    • 算法实现细节
      • 1.伽马/颜色规范化
      • 2.梯度计算
      • 3.空间/方向bin统计
      • 归一化和描述子块
        • R-HOG
        • C-HOG
        • 归一化策略

CVPR2005-用于人体检测的梯度方向直方图 Histograms of Oriented Gradients for Human Detection

使用的数据集

  • MIT行人数据库
  1. 共924张行人图片（ppm格式，宽高64*128），肩到脚的距离约80像素
  2. 只有正面和背面两个视角
  3. 无负样本，未区分训练集和测试集
  • INRIA数据集
  1. 目前使用较多的静态行人检测数据库
  2. 有原始图片和相应的标注
  3. 训练集有正样本614张（包含2416个行人）；负样本1218张
  4. 测试集有正样本288张（包含1126个行人）；负样本453张
  5. 途中人体大部分为站立姿势且高度大于100像素。部分标注不正确
  6. 图片主要来源GRAZ-01、个人照片及Google图片

研究方法

数据

  • 正样本：1239个行人图片及左右翻转的图片，即共2478个
  • 负样本：1218个没有行人的图片中随机选取12180个检测窗口大小的子图作为负样本

流程

检测出来的是错误分类的负样本 正负样本训练分类器 初始SVM分类器在负样本原图上进行行人检测 难例 加入到初始负样本集,重新训练分类器 最终的分类器

双对数坐标上的评价曲线DET

纵坐标： 漏检率（miss rate， 1-recall rate（查全率，命中率）），FalseNeg（漏检）/（TruePos（检测到）+FalseNeg（漏检））

横坐标： 每个窗口的误报率（FPPW， False Positives Per Window ），两个值越低越好 经常使用10E-4时漏检率作为结果性能的参考点

结果综述

本文标签： 直方图梯度行人人体方向

版权声明：本文标题：CVPR2005【行人检测】HOG+SVM用于人体检测的梯度方向直方图 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://www.elefans.com/dongtai/1728870962a1177273.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。