16、自定义目标检测与目标跟踪技术解析

自定义目标检测与目标跟踪技术解析

1. 结合SVM与滑动窗口进行目标检测

将SVM分类器与滑动窗口技术和图像金字塔相结合，能实现以下改进：
- 检测图像中多个同类目标。
- 确定图像中每个检测到的目标的位置和大小。

具体实现步骤如下：
1. 滑动窗口移动 ：选取图像的一个区域进行分类，然后将窗口按预定义的步长向右移动。当到达图像最右端时，将x坐标重置为0，向下移动一步，重复整个过程。
2. SVM分类 ：在每一步，使用基于词袋（BoW）训练的SVM进行分类。
3. 记录正检测窗口 ：记录SVM判定为正检测的所有窗口。
4. 图像金字塔处理 ：对整个图像的每个窗口分类完成后，缩小图像并重复使用滑动窗口的过程，即使用图像金字塔，持续缩放和分类直到达到最小尺寸。

完成上述过程后，虽然收集到了图像内容的重要信息，但可能会存在大量重叠的正检测窗口，即同一目标可能被多次检测。为解决此问题，需使用非极大值抑制（NMS）过滤结果。

2. 场景中的汽车检测

为了实现汽车检测，我们创建一个新的Python脚本 detect_car_bow_svm_sliding_window.py ，通过复制之前的 detect_car_bow_svm.py 脚本。新脚本大部分实现保持不变，仍需训练BoW描述符提取器和SVM，但训练完成后，将以新方式处理测试图像，具体步骤如下：
1.