Closed. This question needs details or clarity。它当前不接受答案。
想要改善这个问题吗?添加详细信息,并通过editing this post来解决问题。
5年前关闭。
Improve this question
HOG在人体检测中很流行。例如,它可以用于检测像杯子之类的物体吗?
我很抱歉没有提出编程问题,但是我的意思是要知道我是否可以使用 pig 来提取对象特征。
根据我的研究,我几天都没有感觉,但是我不确定。 完成 将花费大量时间会有很多嘈杂的信息(背景,模糊,闪电和旋转变化),我们不希望将其视为重要的
HOG算法特别是从图像中的某些色块创建边缘方向的直方图。补丁可能来自物体,人,无意义的背景或其他任何东西,仅是使用边缘信息描述区域的一种方式。如前所述,该信息然后可以用于提供机器学习算法,例如经典支持向量机,以训练能够将一种类型的对象与另一种类型的对象区分开的分类器。
HOG在行人检测方面取得如此巨大成功的原因是,人的肤色,衣服和其他因素可能有很大差异,但是行人的一般边缘保持相对恒定,尤其是在腿部区域。这并不意味着它不能用于检测其他类型的对象,但是其成功可能会因您的特定应用程序而异。 The HOG paper详细显示了如何将这些描述符用于分类。
值得注意的是,对于几种应用,使用金字塔方案可以大大改善HOG所获得的结果。它的工作方式如下:您可以从图像的每个较小部分中提取单个HOG向量,而不是从图像中提取单个HOG向量,而是可以将图像(或补丁)连续地划分为几个子图像。然后可以重复该过程。最后,您可以通过将所有HOG向量连接到一个向量中来获得最终的描述符,如下图所示。
这样做的好处是,HOG功能在较大规模下可以提供更多的全局信息,而在较小规模(即较小的分割范围)内,HOG功能可以提供更细粒度的细节。缺点是最终的描述符向量会变得更大,从而使用给定的分类器花费更多的时间进行提取和训练。
简短地说,:是的,您可以使用它们。
想要改善这个问题吗?添加详细信息,并通过editing this post来解决问题。
5年前关闭。
Improve this question
HOG在人体检测中很流行。例如,它可以用于检测像杯子之类的物体吗?
我很抱歉没有提出编程问题,但是我的意思是要知道我是否可以使用 pig 来提取对象特征。
根据我的研究,我几天都没有感觉,但是我不确定。
最佳答案
是的,HOG (Histogram of Oriented Gradients)可用于检测任何类型的对象,对于计算机而言,图像是一堆像素,您可以提取特征而不管它们的内容如何。但是,另一个问题是这样做的有效性。
HOG,SIFT和其他此类特征提取器是用于从图像中提取相关信息以更有意义的方式对其进行描述的方法。当您要检测图像中具有数千个(甚至数百万个)像素的对象或人时,将具有数百万个数字的向量简单地馈送到机器学习算法中效率不高
HOG算法特别是从图像中的某些色块创建边缘方向的直方图。补丁可能来自物体,人,无意义的背景或其他任何东西,仅是使用边缘信息描述区域的一种方式。如前所述,该信息然后可以用于提供机器学习算法,例如经典支持向量机,以训练能够将一种类型的对象与另一种类型的对象区分开的分类器。
HOG在行人检测方面取得如此巨大成功的原因是,人的肤色,衣服和其他因素可能有很大差异,但是行人的一般边缘保持相对恒定,尤其是在腿部区域。这并不意味着它不能用于检测其他类型的对象,但是其成功可能会因您的特定应用程序而异。 The HOG paper详细显示了如何将这些描述符用于分类。
值得注意的是,对于几种应用,使用金字塔方案可以大大改善HOG所获得的结果。它的工作方式如下:您可以从图像的每个较小部分中提取单个HOG向量,而不是从图像中提取单个HOG向量,而是可以将图像(或补丁)连续地划分为几个子图像。然后可以重复该过程。最后,您可以通过将所有HOG向量连接到一个向量中来获得最终的描述符,如下图所示。
这样做的好处是,HOG功能在较大规模下可以提供更多的全局信息,而在较小规模(即较小的分割范围)内,HOG功能可以提供更细粒度的细节。缺点是最终的描述符向量会变得更大,从而使用给定的分类器花费更多的时间进行提取和训练。
简短地说,:是的,您可以使用它们。
关于opencv - 定向梯度直方图检测,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/17159885/
10-12 19:35