DPM(Deformable Parts Model)之hog31维特征

最新推荐文章于 2024-05-20 14:08:26 发布
转载 最新推荐文章于 2024-05-20 14:08:26 发布 · 3.7k 阅读 · 8

本文介绍了一种改进的HOG特征提取方法，该方法通过调整每个cell内的特征维度至18+9+4=31维，并利用PCA选择关键特征，以达到与传统HOG方法相同的效果。

作者对HOG进行了很大的改动。作者没有用4*9=36维向量，而是对每个8x8的cell提取18+9+4=31维特征向量。作者还讨论了依据PCA（Principle Component Analysis）可视化的结果选9+4维特征，能达到HOG 4*9维特征的效果。

这里很多就不细说了。开题一个字都还没写，要赶着开题……主要是features.cc。有了下面这张图，自己慢慢研究下：

hog特征与fhog特征
qq_40239482的博客
01-21 1万+
fhog在KCF和DSST中都用到了，当时看KCF的时候做了总结，放在这里。 传统hog特征提取。 关于HOG特征（梯度统计直方图）简单介绍一下，首先是对原图进行灰度化（hog统计的是梯度信息，色彩几乎没有贡献），再进行gamma压缩和归一化（减轻光照影响）。然后进行统计，首先是统计每个cell（代码里用的是4_4）里的梯度（包括大小和方向，大小用来加权方向）统计直方图，再把几个cell合并成一个
DPM(Deformable Parts Model)
彼岸花
01-28 6983
目标检测方法 （1）基于cascade的目标检测 cascade的级联思想可以快速抛弃没有目标的平滑窗（sliding window）,因而大大提高了检测效率，但也不是没缺点，缺点就是它仅仅使用了很弱的特征，用它做分类的检测器也是弱分类器，仅仅比随机猜的要好一些，它的精度靠的是多个弱分类器来实行一票否决式推举（就是大家都检测是对的）来提高命中率，确定分类器的个数也是经验问题。这节就来说说改进的
HOG特征
weiwei2012start的专栏
04-14 1806
1、HOG特征：        方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dal
OpenCV 中的 HOGDescriptor
yiran103的专栏
05-27 2599
HOG 特征是深度学习兴起之前非常重要的一种特征。在早期，OpenCV 中的跟踪算法并不支持 HOG 特征，而检测模块中 HOGDescriptor 是一维的。后来，TrackerCSRT 的加入带来了 HOG 特征。然而，Object Detection 和 Deformable Part-based Models 共存令人十分困惑。二者的区别是什么？两个模块均包含 HOG 特征且 Tracke...
图像学习之如何理解方向梯度直方图（Histogram Of Gradient）
weixin_34220834的博客
08-23 2001
特征描述子(Feature Descriptor) 特征描述子就是图像的表示，抽取了有用的信息，丢掉了不相关的信息。通常特征描述子会把一个w*h*3(宽高3，3个channel)的图像转换成一个长度为n的向量/矩阵。比如一副64*128*3的图像，经过转换后输出的图像向量长度可以是3780。 什么样子的特征是有用的呢？假设我们想要预测一张图片里面衣服上面...
Hog特征
机器学习的小学生
10-12 2106
Hog各参数图解 http://blog.youkuaiyun.com/raodotcong/article/details/6239431 图中：红色区域表示图像，绿色区域表示winSize,蓝色区域表示block,黄色区域表示cell，一般性的一个block中含有4个cell，其中cell是最小的单元，用来统计cell中梯度方向的直方图（如方向bin为9，具体方向的统计可以根据自己需要进行修改），图中给出
Deformable Parts Model (DPM) 简介
zxpddfg的专栏
12-30 5375
Deformable Parts Model (DPM) 是一种很成功的物体检测方法。可以说这种方法是从HOG继承而来的。传统的HOG特征只采用一个模板表示某种物体，而DPM把物体的模板划分成根模型和部分模型，其中的根模型等效于传统的HOG特征，部分模型则是物体某些部分的模板。在检测的时候，根模型用来对物体可能存在的位置进行定位，部分模型用来进行进一步的确认。付出了更多的运算量使得DPM的检测效果
Deformable Parts Model (DPM) 检测加速算法简介
zxpddfg的专栏
05-31 4812
DPM作为一种能力较强的物体检测算法，在发表后一直受到持续关注。顶级会议上一直还有论文阐述如何对DPM检测进行加速。其中比较有代表性的包括： [1] CVPR 2010：Cascade Object Detection with Deformable Part Models DPM作者的论文，论文中提到了两种降低检测复杂度的方法。第一种是级联检测法，是否存在待检测物体的衡量标准，是某个根模型与
一种 Deformable Parts Model (DPM) 快速检测算法的简介与进一步加速
zxpddfg的专栏
05-31 6895
前面的博文Deformable Parts Model (DPM) 检测加速算法简介 中已经提到过， [1]Exact Acceleration of Linear Object Detectors 一文借助FFT，将模型与HOG特征在空域中的卷积计算，转化为频域中对应位置元素的乘法运算，实现了DPM检测的加速。另外，这篇论文给出了整个DPM检测算法的C++实现，称为ffld，参考价值非常大
CV精选知识点：DPM（Deformable Parts Model）算法流程详解
niuyunpang的博客
09-23 922
解析1： 将原图与已经准备好的每个类别的“模板”做卷积操作，生成一中类似热力图（hot map）的图像，将不同尺度上的图合成一张，图中较量点就是与最相关“模板”相似的点。 拓展： SGD(stochastic gradient descent)到training里 NMS(non-maximum suppression)对后期testing的处理非常重要 Data mining hard examples这些概念至今仍在使用 解析2： DPM算法由Felzenszwalb于2008年提出，是一种基.
DPM目标算法
05-07
DPM是一个非常成功的目标检测算法，连续获得VOC（Visual Object Class）07,08,09年的检测冠军。目前已成为众多分类器、分割、人体姿态和行为分类的重要部分。2010年Pedro Felzenszwalb被VOC授予"终身成就奖"
DPM（Deformable Part Model）原理详解
年轻即出发，
09-22 6万+
写在前面： DPM（Deformable Part Model），正如其名称所述，可变形的组件模型，是一种基于组件的检测算法，其所见即其意。该模型由大神Felzenszwalb在2008年提出，并发表了一系列的cvpr，NIPS。并且还拿下了2010年，PASCAL VOC的“终身成就奖”。   由于DPM用到了HOG的东西，可以参考本人http://blog.youkuaiyun.com/qq_148
HOG参数简介及Hog特征维数的计算
简单用心品质生活
08-29 3万+
HOG构造函数 CV_WRAP HOGDescriptor() :winSize(64,128), blockSize(16,16), blockStride(8,8),      cellSize(8,8),nbins(9), derivAperture(1), winSigma(-1), histogramNormType(HOGDescriptor::L2Hys),L2HysThresho
目标检测中SIFT，HOG，DPM分别是什么
qq_45809323的博客
05-20 940
目标检测是计算机视觉中的一个重要任务，主要用于识别和定位图像或视频中的目标物体。SIFT（尺度不变特征变换）、HOG（方向梯度直方图）和DPM（Deformable Part Model）是目标检测中常用的三种方法。
【图像处理系列】fhog特征
qq_33569337的博客
08-20 1万+
1. hog特征提取—9维特征向量 步骤1：灰度化（将输入的RGB三通道图像转化为单通道图像）； 步骤2：采用gamma校正法对输入图像进行颜色空间的标准化，校正公式为： I(x,y)=I(x,y)gammaI(x,y)=I(x,y)gammaI(x,y)=I(x,y)^{gamma} 其中gamma=1/2gamma=1/2gamma=1/2，通过Gamma压缩处理，可以降低光照变化以...
HOG与DPM原理
fengye2two的专栏
03-14 3322
感谢watersink的渊博知识，本文合并自： (1)https://blog.youkuaiyun.com/qq_14845119/article/details/52187774 (2)https://blog.youkuaiyun.com/qq_14845119/article/details/52625426 HOG： 写在前面的话        HOG绝对说的是行人检...
图像的全局特征--HOG特征、DPM特征
wishchinYang的专栏
03-16 7446
       HOG特征：方向梯度直方图（Histogram of Oriented Gradient,）特征是一种全局图像特征描述子。        它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而...
Ubuntu-KCF/DSST算法无人机跟踪仿真/实物保姆级教程
Aniiiii的博客
09-12 7860
Ubuntu-KCF/DSST算法无人机跟踪仿真/实物保姆级教程，涉及软硬件知识等，附有代码
HOG特征-理解篇
热门推荐
Rachel Zhang的专栏
03-18 11万+
网上去找关于HOG的资料，发现理解性的较少，而且较为冗长，为方便大家理解便自己写了篇，希望能对奋斗在特征提取第一线的同志们有所帮助： HOG即histogram of oriented gradient, 是用于目标检测的特征描述子，该技术将图像局部出现的方向梯度次数进行计数，该方法和边缘方向直方图、scale-invariant feature transform类似，不同的是hog的计算
DPM方法和hog+svm
最新发布
12-31
### DPM 方法概述 Deformable Parts Model (DPM) 是一种用于目标检测的强大模型，尤其擅长处理具有复杂结构的对象。该方法基于部件模型的概念，在整体对象的基础上增加了多个可变形的部分来描述对象的不同部位及其相对位置关系[^2]。 - **根过滤器**：表示整个物体的整体外观。 - **部分过滤器**：捕捉组成物体的关键组成部分。 - **空间约束**：定义各部分相对于根的位置分布规律。 这种设计使得 DPM 对于姿态变化较大的目标（如人体）有着良好的鲁棒性和适应能力。 ### HOG+SVM 应用解析 Histograms of Oriented Gradients (HOG)+Support Vector Machine (SVM) 组合是一种经典而有效的传统计算机视觉技术，广泛应用于各种场景下的目标识别任务中。其工作原理如下： - **特征提取阶段**：利用 HOG 描述符计算输入图片内每个像素周围的梯度直方图，从而获取关于轮廓和纹理的信息；这些统计量能够很好地反映局部形态学特性，并且对于光照条件不敏感[^4]。 - **训练分类器环节**：借助 SVM 来区分正负样本之间的差异，即学会如何根据上述特征向量判断测试样本属于哪一类（例如是否为人形）。经过充分的学习过程之后，最终可以构建起一个高效的决策边界用来预测未知实例所属类别。 ```python import cv2 from skimage.feature import hog from sklearn.svm import LinearSVC # 加载预训练好的线性支持向量机模型 svm_detector = LinearSVC() def detect_objects(image_path): img = cv2.imread(image_path, 0) fd, _ = hog(img, orientations=9, pixels_per_cell=(8, 8), cells_per_block=(2, 2), visualize=True) prediction = svm_detector.predict([fd]) return 'Person' if prediction == 1 else 'Not Person' ``` ### 性能对比分析 当把 DPM 和 HOG+SVM 放在一起考量时，两者各有千秋： | 方面 | DPM | HOG+SVM | | --- | --- | --- | | 复杂度 | 较高，因为涉及到多尺度扫描窗口以及复杂的部件间连接机制 | 相对较低，主要集中在单个固定大小的滑动窗操作上 | | 准确率 | 高精度定位能力强，特别是在面对遮挡或角度变换的情况下表现优异 | 中等到高的准确性，但在极端条件下可能不如前者稳定 | | 计算效率 | 运行时间较长，尤其是在大规模数据集上的实时性能较差 | 更加高效快速，适合在线应用场景 | 综上所述，虽然两种方案都能有效完成特定类型的任务，但对于具体的应用环境而言，则需权衡不同因素做出合理的选择。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值