【机器学习】HOG detectMultiScale 参数分析
前段时间学习了HOG描述子及其与SVM结合在行人检测方面的应用。
当我们用训练好的模型去检测测试图像时,我们会用到detectMultiScale() 这个函数来对图像进行多尺度检测。
这是opencv3.1里的参数解释
可以看到一共有8个参数。
1.img(必需)
这个不用多解释,显然是要输入的图像。图像可以是彩色也可以是灰度的。
2.foundLocations
存取检测到的目标位置
3.hitThreshold (可选)
opencv documents的解释是特征到SVM超平面的距离的阈值(Threshold for the distance between features and SVM classifying plane)
所以说这个参数可能是控制HOG特征与SVM最优超平面间的最大距离,当距离小于阈值时则判定为目标。
4.winStride(可选)
HoG检测窗口移动时的步长(水平及竖直)。
winStride和scale都是比较重要的参数,需要合理的设置。一个合适参数能够大大提升检测精确度,同时也不会使检测时间太长。
5.padding(可选)
在原图外围添加像素,作者在原文中提到,适当的pad可以提高检测的准确率(可能pad后能检测到边角的目标?)
常见的pad size 有(8, 8), (16, 16), (24, 24), (32, 32).
6.scale(可选)
如图是一个图像金字塔,也就是图像的多尺度表示。每层图像都被缩小尺寸并用gaussian平滑。
scale参数可以具体控制金字塔的层数,参数越小,层数越多,检测时间也长。 一下分别是1.01 1.5 1.03 时检测到的目标。 通常scale在1.01-1.5这个区间
7.finalThreshold(可选)
这个参数不太清楚,有人说是为了优化最后的bounding box
8.useMeanShiftGrouping(可选)
bool 类型,决定是否应用meanshift 来消除重叠。
default为false,通常也设为false,另行应用non-maxima supperssion效果更好。
转自:https://www.cnblogs.com/klitech/p/5747895.html
【机器学习】HOG detectMultiScale 参数分析相关推荐
- 《R语言机器学习:实用案例分析》——1.2节R的数据结构
本节书摘来自华章社区<R语言机器学习:实用案例分析>一书中的第1章,第1.2节R的数据结构,作者[印度] 拉格哈夫·巴利(Raghav Bali)迪潘简·撒卡尔(Dipanjan Sark ...
- 从入门到入土:机器学习part01|python|代码分析|初步学习
此博客仅用于记录个人学习进度,学识浅薄,若有错误观点欢迎评论区指出.欢迎各位前来交流.(部分材料来源网络,若有侵权,立即删除) 本人博客所有文章纯属学习之用,不涉及商业利益.不合适引用,自当删除! 若 ...
- 《R语言机器学习:实用案例分析》——1.3节使用函数
本节书摘来自华章社区<R语言机器学习:实用案例分析>一书中的第1章,第1.3节使用函数,作者[印度] 拉格哈夫·巴利(Raghav Bali)迪潘简·撒卡尔(Dipanjan Sarkar ...
- Python课程设计项目-基于机器学习的糖尿病风险预警分析系统
这个东西是我大二时候做的,做的挺一般的,当时也没想着搭建界面啥的,测试的也不够,就是单纯的分享一下吧,不足之处大家多多指正,我会把所有的代码和数据在文章最后都放出来,喜欢的话点个赞吧! [摘 要] 糖 ...
- ML:机器学习模型的稳定性分析简介、常见的解决方法之详细攻略
ML:机器学习模型的稳定性分析简介.常见的解决方法之详细攻略 目录 ML:机器学习模型的稳定性分析简介.常见的解决方法 1.增强稳健性的通用方法 2.提高模型稳定性-适合泛线性模型(如逻辑回归)-幅度 ...
- 机器学习入门-肝病预测分析
机器学习入门-肝病预测分析 导入函数和支持包 1.数据描述 2.载入数据 3.查看Type类型的数量 4.检查是否存在空值 5.查看描述性统计量 6.画出热力图并分析特征相关性 7.对数据进行标准化 ...
- 【数据分析】利用机器学习算法进行预测分析(五):Prophet
时间序列预测中的机器学习方法(五):Prophet 本文是"时间序列预测中的机器学习方法"系列文章的第五篇,如果您有兴趣,可以先阅读前面的文章: [数据分析]利用机器学习算法进行预 ...
- 机器学习中模型参数和模型超参数分别是什么?有什么区别?
机器学习中模型参数和模型超参数分别是什么?有什么区别? 目录 机器学习中模型参数和模型超参数分别是什么?有什么区别?
- 机器学习、超参数、最优超参数、网格搜索、随机搜索、贝叶斯优化、Google Vizier、Adviser
机器学习.超参数.最优超参数.网格搜索.随机搜索.贝叶斯优化.Google Vizier.Adviser 最优超参数 选择超参数的问题在于,没有放之四海而皆准的超参数. 因此,对于每个新数据集,我们必 ...
最新文章
- vue 目录名称详解_使用脚手架创建vue项目目录详解
- 超时时间已到。在操作完成之前超时时间已过或服务器未响应
- oracle asm dd命令,ASM来用DD命令模拟数据块损坏
- 《OpenGL超级宝典》编程环境配置
- PAT乙级-1070. 结绳(25)
- Python和Java结合的项目实战_[项目实战] Python高级教程项目实战篇 Python和Java结合的项目实战 视频教程 [...
- 软件开发 thoughtworks 技术面_【软件开发】10月29日比赛详细预告
- mysql 快速复制_MySQL中快速复制数据表方法汇总
- jQuery 文件碎片
- 一份值得收藏的ACL 2020参会笔记:重要论文与NLP领域的发展趋势解读
- Javascript中===和==的区别
- 易基因|一文读懂:八大RNA m6A甲基化研究核心问题
- 详解JAVA实现支付宝接口编程
- 免费开源的智能家居系统,SpringBoot+Vue前后端分离,WiFi智能设备接入,手把手开发安卓APP,建立QQ智能管家机器人!
- 短信服务器部署位置,搭建短信服务器
- cad.net 利用win32api实现不重复打开dwg路径的文件夹(资源管理器)
- 测试排期估时多长合理?
- python认证证书有哪些-国家认证的Python技术工程师有什么能力要求?
- Linux安装-CentOS7.x
- 青龙面板之今日油条(更新)
热门文章
- 2021-02-21 Python Easyocr 图片文字识别
- 基数字符串排序c语言,基数排序(C语言)
- 学计算机科学与技术的专业特长,计算机科学与技术专业简历范文介绍
- android多线程的本质,[原创]分析unidbg(unidbgMutil)多线程机制
- C/C++训练1---最大公约数与最小公倍数_JAVA
- 【自动驾驶】摄像头单目测距原理及实现
- Java I/O系统学习系列三:I/O流的典型使用方式
- 领域驱动设计在互联网业务开发中的实践
- 编码练习——Java-String-API-练习
- MyBatis多数据源配置(读写分离)