人员计数-基于svm+hog特征
基本步骤：
1.获取待测图片，从小到大生成多尺度变宽高比框选取局部区域图像。
2.对每次的区域图像进行灰度转化和重新调整大小（64*128）。
3.将步骤2的图像进行HOG特征提取。
4.将提取到的特征放入训练好的SVM中，得到预测结果。
5.用重叠面积法解决重复框选问题，得到最终检测结果图。
特征选择：
选用hog特征描述图像的原因：hog特征具有旋转、缩放、比例变换的不变性，它适合于描述一个可能具有复杂多样变化的人的特征。
训练方法：
采用SVM进行训练，训练的对象为提取出的hog特征向量所组成的矩阵
如何理解支持向量机：
支持向量机，听着高大上，其实就是一种分类方法。与一般的分类方法不同，它在要求正确分类两类样本的基础上，还要求分类间隔最大（针对线性可分的样本哈~，如果线性不可分的样本，还要再增加一个条件，就是错分样本最少）。分类面即为H，H1为过第一类样本中，离分类面最近，且平行于H的一个超平面；H2为过第二类样本中，离分类面最近，且平行于H的一个超平面，H1与H2之间的距离就是分类间隔，在超平面H1与H2上的样本就是支持向量。
基本步骤：
选用926张各种类型的单人图片，统一像素64×128，提取HOG描述子，作为正例；读取1393张含各种类型背景的图片，提取HOG描述子，作为负例；读取40张包含人、但不完整地包含人的图片提取HOG描述子，作为危险负例（导致检测不出人）。将得到的HOG描述子组合成一个矩阵，送入支持向量机训练。测试时，采用可变大小的滑动窗口遍历整张图片，对窗口内的截取的内容提取HOG特征，与之前支持向量机训练结果一起放入支持向量机分类器进行测试，检测出人则框出，并用数组记录其中心坐标，以后每当检测出1个人就与该数组的所有坐标求距离，距离小于设定阈值认为是同一个人重复检测，不予记录。
169
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
