# 1.样本 2.训练 3.test 测试
# 正样本:包含所检测的obj 负样本:不包含obj
# 一个好的样本 远胜于 一个复杂的神经网络
# 对于ml而言:样本数:K,W ; 对于dl:M
# 正样本 : 尽可能多样化(环境多样、干扰多样)
# 样本数 pos:820 neg:1931 ;一般情况下,正负样本比例在1:2,1:3之间
# 训练
# 1.par 2.hog 3.svm 4.compute hog 5.label 6.train 7.pred 8.draw
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 1.par
posNum = 820
negNum = 1931
winSize = (64,128)
blockSize = (16,16)#一个win下有105个block
blockStride = (8,8)
cellSize = (8,8)
numBin = 9# 3780 bin 即hog特征是3780维
# 2.hog
hog = cv2.HOGDescriptor(winSize,blockSize,blockStride,cellSize,numBin)
# 3.svm
svm = cv2.ml.SVM_create()
# 4.compute hog
featureNum = int(((128-16)/8+1)*((64-16)/8+1)
OpenCV入门(24):hog + svm 目标识别案例
最新推荐文章于 2023-03-16 21:03:17 发布
本文介绍了使用OpenCV库结合HOG特征和SVM分类器进行目标检测的步骤,包括理解HOG描述子、准备训练数据、训练SVM模型以及应用模型进行图像检测。通过实例解析,帮助初学者掌握这一计算机视觉技术。
摘要由CSDN通过智能技术生成