Training benutzerdefinierte SVM mit HOGDescriptor in OpenCV

Question

Ich versuche, meine eigenen Detektor für den Einsatz mit OpenCV :: HOGDescriptor zu trainieren, aber ich habe Probleme mit dem bestehenden HOGDescriptor arbeiten mit meiner neu ausgebildeten SVM.

Ich habe HOG-Funktionen für positive und negative Trainingsbilder berechnet, beschriftet und die SVM mit CvSVM trainiert. Die Parameter, die ich verwendet habe, sind:

CvSVMParams params; 
    params.svm_type =CvSVM::EPS_SVR; 
    params.kernel_type = CvSVM::LINEAR; 
    params.C = 0.01; 
    params.p = 0.5; 

Dann I Urform der Stützvektoren berechnen, so dass ich nur statt vielen einen Vektor erhalten und stelle den berechneten Support-Vektor unter Verwendung von HOGDescriptor.setSVMDetector (Vektor);

This is Primal Form

Wenn ich CvSVM.predict() Ich bin in der Lage, richtig Objekte mit dem SVM zu klassifizieren, aber HOGDescriptor.detect() oder detectMultiScale() gibt immer viele positive Begegnungen und nicht genau geben Vorhersagen.

CvSVM.predict() verwendet die Original-Support-Vektoren für die Klassifizierung, so dass möglicherweise etwas falsch mit der Art bin, wie ich die ursprüngliche Form berechne.

Gibt es jemanden, der seinen eigenen Detektor trainiert hat, der mir in die richtige Richtung zeigen kann?

Answer 1

mir ein Kind Klasse von CvSVM schrieb Urform zu extrahieren, nachdem eine lineare SVM trainiert. Positive Proben sind mit 1 und negative Proben mit -1 markiert. Es ist seltsam, dass ich ein negatives Vorzeichen vor Alphas setzen muss und das Zeichen von rho unverändert lassen muss, um korrekte Ergebnisse von HogDescriptor zu erhalten.

LinearSVM.h

#ifndef LINEAR_SVM_H_ 
#define LINEAR_SVM_H_ 
#include <opencv2/core/core.hpp> 
#include <opencv2/ml/ml.hpp> 

class LinearSVM: public CvSVM { 
public: 
    void getSupportVector(std::vector<float>& support_vector) const; 
}; 

#endif /* LINEAR_SVM_H_ */ 

LinearSVM.cc

#include "linear_svm.h"  
void LinearSVM::getSupportVector(std::vector<float>& support_vector) const { 

    int sv_count = get_support_vector_count(); 
    const CvSVMDecisionFunc* df = decision_func; 
    const double* alphas = df[0].alpha; 
    double rho = df[0].rho; 
    int var_count = get_var_count(); 
    support_vector.resize(var_count, 0); 
    for (unsigned int r = 0; r < (unsigned)sv_count; r++) { 
     float myalpha = alphas[r]; 
     const float* v = get_support_vector(r); 
     for (int j = 0; j < var_count; j++,v++) { 
     support_vector[j] += (-myalpha) * (*v); 
     } 
    } 
    support_vector.push_back(rho); 
} 

Answer 2

Ich hatte mit dem gleichen Problem zu kämpfen. Bei der Suche nach Foren habe ich festgestellt, dass der Detektor mit CvSVM nicht trainiert werden kann (ich kenne den Grund nicht). Ich benutzte LIBSVM zum Training des Detektors. Hier ist der Code, um den Detektor für HOGDescriptor.setSVMDetector (w) zu extrahieren: Details zu den Daten finden Sie in der LIBSVM-Dokumentation/header. Ich habe das ganze Training in C++ gemacht und die LIBSVM Trainingsdaten von CV bis LIBSVM ausgefüllt. Der folgende Code extrahiert den Detektorvektor, der für cv :: HOGDescriptor benötigt wird. Der w Parameter ist std::vector<float> w

const double * const *sv_coef = model.sv_coef; 
const svm_node * const *SV = model.SV; 
int l = model.l; 
model.label; 

const svm_node* p_tmp = SV[0]; 
int len = 0; 
while(p_tmp->index != -1) 
{ 
    len++; 
    p_tmp++; 
} 
w.resize(len+1); 

for(int i=0; i<l; i++) 
{ 
    double svcoef = sv_coef[0][i]; 
    const svm_node* p = SV[i]; 
    while(p->index != -1) 
    { 
     w[p->index-1] += float(svcoef * p->value); 
     p++; 
    } 
} 
w[len] = float(-model.rho[0]); 

Hope this helps ...

Answer 3

Von dem, was ich in Dalal Papier über HOG Detektor gelesen, er vorschlägt, dass Fehlalarme zu entfernen, müssen wir unser Modell umschulen. Umschulung wird durchgeführt, indem ein vorläufiges Modell (dein Modell, das viele falsche positive Ergebnisse liefert) angewendet wird, dann Objekte in allen negativen Probenbildern erkannt werden. Alle zurückgegebenen Rechtecke würden definitiv falsche Positive sein.

Fügen Sie dann alle diese Fehlalarme zu Ihren negativen Beispielbildern hinzu (negativer Datensatz), führen Sie erneut ein Training durch. Das resultierende Modell wird, wie in dem Papier vorgeschlagen, viel weniger falsch positive Ergebnisse liefern.

Leider habe ich das versucht (Umschulung), aber das resultierende Modell erkennt einfach nichts, auch nicht an positiven Bildproben. Aber ich denke, es ist ein Versuch wert, denn das war das, was in dem Erfinder Papier über HOG Detektor vorgeschlagen