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: