• 如果您觉得本站非常有看点,那么赶紧使用Ctrl+D 收藏吧

计算固定长度的灰度直方图(HOG),无论图像大小如何

machine-learning 来源:megashigger 3次浏览

我正在训练HOG + SVM模型,并且我的训练数据具有各种大小和纵横比。 SVM模型不能在可变大小列表上进行训练,因此我正在计算无论图像大小如何都是相同长度的梯度直方图。计算固定长度的灰度直方图(HOG),无论图像大小如何

有没有一个聪明的方法来做到这一点?或者更好地调整图像大小或填充它们?

===========解决方案如下:

人们通常在这种情况下做的是对遵循以下两种情况之一:

  1. 调整所有图像(或图像块)以固定的大小和提取与HOG特征。
  2. 使用“Bag of Words/Features”方法,不要调整图像大小。

第一种方法1.很简单,但它有一些方法2.试图解决的问题。首先,考虑一下猪描述符的作用。它将图像划分为固定长度的单元格,按照单元格计算梯度以生成单元格直方图(基于投票)。最后,你会得到所有单元格的连接直方图,这就是你的描述符。

所以有一个问题,因为对象(你想检测)必须以类似的方式覆盖图像。否则,根据图像内部对象的位置,您的描述符看起来会有所不同。

方法2.的工作原理如下:

  1. 在你的训练集正反两方面的图像提取HOG特征。
  2. 使用像k-means这样的聚类算法来定义一个固定的质心值k
  3. 对于数据集中的每个图像,提取HOG特征并将它们按元素方式与质心进行比较以创建频率直方图。

使用频率直方图训练SVM并将其用于分类阶段。这样,该位置并不重要,您将始终拥有固定大小的输入。您还将从尺寸缩小中受益。


版权声明:本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系管理员进行删除。
喜欢 (0)