一只大憨憨的博客

1.4 HOG特征+支持向量机实现行人检测为了把前面知识串起来，参考书籍做了以下实验。import cv2import matplotlib.pyplot as pltfrom matplotlib import patchesimport numpy as npimport randomimport osfrom numpy.lib.shape_base import take_along_axisfrom sklearn import model_selection as msfro

1.3 特征分类特征分类：最后，对上一步得到的特征进行分类，通常使用如 SVM、AdaBoost的分类器。1.3.1 支持向量机支持向量机参考视频1.3.2 python-opencv实现支持向量机对线性可分数据分类from re import Sfrom sklearn import datasetsfrom sklearn import metricsimport matplotlib.pyplot as pltimport numpy as npfrom sklearn impo

1 传统算法目标检测区域选择 --> 特征提取 --> 特征分类1.1 区域选择 python 实现 图像滑动窗口区域选择: 区域选取：首先选取图像中可能出现物体的位置，由于物体位置、大小都不固定，因此传统算法通常使用滑动窗口（SlidingWindows）算法，但这种算法会存在大量的冗余框，并且计算复杂度高。滑动窗口: 固定一个窗口，截取图片1.1.1 以滑动窗口方式切分图像import cv2def sliding_window(src_img,step,windo

对于一个检测器，我们需要制定一定的规则来评价其好坏，从而选择需要的检测器。常用的评价指标是交并比（IOU）。物体检测模型的输出是非结构化的，事先并无法得知输出物体的数量、位置、大小等，因此物体检测的评价算法就稍微复杂一些。对于具体的某个物体来讲，我们可以从预测框与真实框的贴合程度来判断检测的质量，通常使用IoU（Intersection of Union）来量化贴合程度。IoU的取值区间是[0,1]，IoU值越大，表明两个框重合越好。计算过程如下：代码实现：def IoU(BBox_A