为目标检测选择/规范化HoG参数？

Question

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

Answer 1

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：

HOG is not scale invariant. Getting the same length feature vector for each image does not guarantee the scale invariance.

所以你应该使用相同的窗口大小。。。在