我正在使用 HoG 特征通过分类进行对象检测。
我对如何处理不同长度的 HoG 特征向量感到困惑。
我已经使用大小相同的训练图像训练了我的分类器。
现在，我从我的图像中提取区域来运行分类器 - 例如，使用滑动窗口方法。我提取的一些窗口比训练分类器的图像大小要大得多。 (它是在测试图像中可能预期的最小物体尺寸上进行训练的)。
问题是，当我需要分类的窗口大于训练图像大小时，HoG 特征向量也比训练模型的特征向量大得多。
那么如何使用模型的特征向量对提取窗口进行分类呢？
例如，让我们取一个提取窗口的尺寸，即 360x240，并将其称为 extractedwindow 。然后让我们取一张我的训练图像，它只有 20x30，并将其命名为 trainingsample 。
如果我采用 HoG 特征向量，如下所示:
fd1, hog_image1 = hog(extractedwindow, orientations=8, pixels_per_cell=(16, 16), cells_per_block=(1, 1), visualise=True, normalise=True)
fd2, hog_image2 = hog(trainingsample, orientations=8, pixels_per_cell=(16, 16), cells_per_block=(1, 1), visualise=True, normalise=True)
print len(fd1)
print len(fd2)
那么这是特征向量之间的长度差异:
2640
616
那么这是如何处理的呢？提取的窗口是否应该缩小到训练分类器的样本大小？还是应该根据每个提取的窗口更改/归一化 HoG 特征的参数？或者有另一种方法可以做到这一点？
我个人在 python 中工作，使用 scikit-image，但我想问题与我使用的平台无关。
最佳答案
正如您所说，HOG 基本上使用一个参数来确定以像素为单位的单元格大小。因此，如果图像大小发生变化，则单元格的数量不同，因此描述符的大小也不同。
The main approach 是使用 HOG 是使用像素大小相同的窗口(训练时和测试时的大小相同)。所以 extracted window 应该和 trainingsample 一样大。
在 that 引用中，一位用户说:
所以你应该使用相同的窗口大小......
关于python - 为对象检测选择/规范化 HoG 参数？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/23824147/