我用HoG特征通过分类进行目标检测。在
我不知道如何处理不同长度的HoG特征向量。在
我用同样大小的训练图像训练了我的分类器。在
现在,我从图像中提取要运行分类器的区域,比如说,使用滑动窗口方法。我提取的一些窗口比分类器训练的图像大小要大得多。(它被训练成测试图像中可能期望的最小的物体尺寸)。在
问题是,当需要分类的窗口大于训练图像的大小时,HoG特征向量也远大于训练模型的特征向量。在
那么如何使用模型的特征向量对提取窗口进行分类呢?在
例如,让我们取一个提取窗口的尺寸,它是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
。在
如果我取HoG特征向量,像这样:
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)
特征向量的长度差为:
^{pr2}$那么这是怎么处理的呢?提取的窗口是否应该缩小到分类器训练样本的大小?或者应该根据每个提取的窗口更改/规范化HoG特征的参数?或者有别的办法吗?在
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。在
正如您所说,HOG基本上使用一个参数来确定单元大小(以像素为单位)。因此,如果图像大小发生变化,那么单元的数量就不同,描述符的大小也不同。在
The main approachis use HOG是使用像素大小相同的窗口(在训练期间和测试期间大小相同)。因此
extracted window
应该与trainingsample
的大小相同。在在that引用中,一个用户说:
所以你应该使用相同的窗口大小。。。在
相关问题 更多 >
编程相关推荐