基于视频流的兴趣HOG特征提取与目标跟踪检测

       由于，这里所涉及到的场景比较多，角度也比较多，而且你也没有提供合适的样本，所以采用单一的模板库无法提取到能够识别各个情况下的特征数据，针对这个情况，我们针对不同的场景，分别从视频中采集人员和非人员场景。采集到的样本量越大，最后同类场景的识别率就越高。

       这里，根据可不同的场景，采集不同的样本作为特征训练样本集。

       具体原理如下所示：

       通常情况下，样本库越大，最后得到的识别结果越精确，这也是一开始我说如果能不用模板的算法最好，因为对库的特征训练仿真时间非常长，通常要取得优异的识别跟踪效果，库往往需要10万个样本左右，甚至更多。

        此外，采用模板的方式，当场景或者要检测的运动物体的类型发现大的变化（HOG特征数据明显不同）那么则需要重新进行训练。

        这里，在进行兴趣HOG特征提取的时候，采用的就是类似你说的那种方案。这种算法简便，一般情况下比较适用。

二：多级并联SVM支持向量机训练分类

        在获取样本的时候，我们按不同的场景和角度，分别进行训练，然后在实际测试的过程中，按照并联结构，分别进行识别，逐级测试，直到满足条件为止。

       多级SVM，就是将一个大的SVM分为多个进行同时工作，对输入的数据进行逐次的判决。

       在本课题中，由于涉及到的场景较多，而且没有提供对应的数据样本，因此，我们在处理的时候，是对每个场景中提取相关的测试样本，并针对该场景建立SVM，利用这种方法，建立起不同的SVM分类器，在实际工作中，通过串行判决的方式逐级进行测试。

 

 

 

 

       通过上面的介绍，基本实现了整个算法的基本流程，下面对算法的仿真结果进行简单的列举：这里我测试了一部分的效果。

场景1：

最佳区域设置参数：仿真效果如下：

场景2：

最佳区域设置参数：仿真效果如下：

场景3：效果差，未仿

场景4：

最佳区域设置参数：仿真效果如下：

 

 

场景5：效果差，未仿

场景6：

最佳区域设置参数：仿真效果如下：

 

 

 

 

 

场景7：

最佳区域设置参数：仿真效果如下：

场景8：

最佳区域设置参数：仿真效果如下：