江苏龙网

  1. 首页 > 生活 > >

human detection里面最近比较流行的channel feature 是咋实现的，不同的feature是咋结合起来形成一个weak classifer的

你说的是“integral channel features”特征吧。Piotr Dollár写了一篇论文叫作“Integral Channel Features”，不知道你看过没有。我大概看了一下，具体的处理过程如下：1，multiple registered image channels arecomputed using linear and non-linear transformations of the input image就是讲输入图像进行各种变换和处理，得到不同的特征图像；2，然后，对于这些不同的特征图像（原文中叫作a registered map of the original image），进行区域求和，haar等各种能够采用积分图像快速计算的特征，得到最终的特征定义；然后特征训练分类器。总体上，这个特征只是原来用的haar等特征的扩展，作者比较会写，所以看上去还不错。其实并没有太多新意。至于效果，个人觉得特征多了，对于adaboost这种分类器而言，肯定效果会好些。但是训练速度自然会下降。此外，由于需要计算多个不同registered map of the original image，以及对应的积分图像，所以，速度上不乐观。此外，作者只在adaboost上做了实验，没有考虑svm分类器以及multi-instance boosing分类器，其实并不能简单得到结论其效果一定很好。如果将其与svm结合使用，前面一定还需要adaboost进行特征选择，此外，速度还会是一个问题。
■网友
赞同@邓亚峰说的，我简单补充一下如何用不同的特征构造Boosting的弱分类器：不论每类特征的形式是Harr，梯度方向直方图（HOG）或是Gabor系数，只需要把它们全部拼接在一起，组成统一的特征矢量FV，即， 每一个Harr特征是FV中的一维，梯度方向直方图的每个Bin是FV中的一维，Gabor中的每个系数是FV中的一维。然后用决策树算法从FV中选择特征子集，构造弱分类器。如何训练决策树分类器，在很多经典文献中都有介绍，这里就不赘述了。
■网友
就是从很多不同特征中选取了集中识别效果比较好的，文中最后提出的是Luv+梯度幅度+六个方向的梯度，相当于是个特征吧，简称ICF，opencv最新的300中有了相关代码，但不确定原理一模一样，之后又文章用过这种特征。训练的重点应该还是训练过程中从这一堆特征中选取识别效果好的，貌似用的决策树，我没大看明白，不知道楼主看明白没有，


    推荐阅读


    上一篇：为啥一个公司会觉得不用宣传就能达到“酒香不怕巷子深”的传奇

    下一篇：goroutine陷入阻塞后，也会有保存现场和恢复现场，他比多线程的优势到底在哪