原文链接:http://blog.csdn.net/Armily/article/details/8333836

如何制作训练样本

分析了原作者的数据集,结合网上一些资料,下面描述如何制作训练样本
1、如何从原始图片生成样本
对比INRIAPerson\INRIAPerson\Train\pos(原始图片),INRIAPerson\train_64x128_H96\pos(生成样本)可以发现,作者从原始图片裁剪出一些站立的人,要求该人不被遮挡,然后对剪裁的图片left-right reflect。以第一张图片为例crop001001,它剪裁了2个不被遮挡的人,再加上原照片,共3张,再加左右镜像,总共6张。

2、裁剪
 可利用基于opencv1.0的程序imageclipper,进行裁剪并保存,它会自动生成文件名并保存在同一路径下新生成的imageclipper文件夹下。

3.改变图片大小
 可以利用Acdsee软件,Tools/open in editor,进去后到Resize选项; tools/rotate还可实现left-right reflect

4. 制作pos.lst列表  进入dos界面,定位到需要制作列表的图片文件夹下,输入 dir /b> pos.lst,即可生成文件列表;

仔细分析了cvhop.cpp中的compute函数,可以直接调用它来获得样本HOG,然后训练得到检测算子

1.制作样本
2.对每一张图片调用
hog.compute(img, descriptors,Size(8,8), Size(0,0));
可以生成hog descriptors,把它保存到文件中
for(int j=0;j<3780;j++)
fprintf(f,"%f,",descriptors[j]);
3.利用SVM进行训练和分类,可得到权重系数,即getDefaultPeopleDetector()函数中调用的检测算子detector[ ]

HOG行人检测 如何制作样品相关推荐

  1. SVM分类器训练的HOG行人检测

    正样本来源是INRIA数据集中的96*160大小的人体图片,使用时上下左右都去掉16个像素,截取中间的64*128大小的人体. 负样本是从不包含人体的图片中随机裁取的,大小同样是64*128(从完全不 ...

  2. hog 行人检测 matlab,hog+svm_行人检测matlab程序

    转自: hog+svm_行人检测matlab程序[仅供大家理解用] 关于这个matlab程序,需要说明的是: 1.检测时的运行速度超级慢,以16个像素作为扫描时的步长,从1000*1000的大图里检测 ...

  3. HOG 行人检测 学习体会(如何制作训练样本)

    转自:http://www.opencv.org.cn/forum/viewtopic.php?f=1&t=9146#p35176 如何制作训练样本 分析了原作者的数据集,结合网上一些资料,下 ...

  4. 【OpenCV流程+代码分析】Opencv HOG行人检测 源码分析

    [原文:http://blog.csdn.net/ttransposition/article/details/11874285] OpenCV demo演示见本人的另一篇灌水博客 http://bl ...

  5. Opencv HOG行人检测 源码分析(二)

    前一篇博客大体讲了下思路,对比较难理解的关系有些图示 http://blog.csdn.net/soidnhp/article/details/11874285 /*M/// // // IMPORT ...

  6. SVM+HOG:利用训练好的XML进行行人检测(检测效果)

    说明:HOG+SVM生成的.xml文件不能用人脸的代码进行测试效果,必须用下面的代码才能测试代码. #include <iostream> #include <fstream> ...

  7. OpenCV实战【2】HOG+SVM实现行人检测

    目录 HOG是什么? HOG vs SIFT HOG步骤 HOG在检测行人中的方式 Opencv实现 HOGDescriptor的构造函数: 行人检测HOG+SVM步骤 简化版的HOG计算 HOG是什 ...

  8. opencv实现行人检测(C++)

    hog行人检测 本文主要介绍下opencv中怎样使用hog算法,因为在opencv中已经集成了hog这个类.其实使用起来是很简单的,从后面的代码就可以看出来.本文参考的资料为opencv自带的samp ...

  9. 行人检测HOG+SVM:综述、INRIADATA数据集、线性SVM

    目录 1. 行人检测算法研究综述 2. 基于机器学习的方法:人工特征+分类器 2.1 HOG+SVM 2.2 HOG+Adaboost 2.3 ICF+AdaBoost 2.4 DPM+ latent ...

最新文章

  1. 为Ubuntu设置新的软件源
  2. OpenCASCADE:IGES 翻译器的介绍
  3. 通过流进行字符集编码转换
  4. Google App Engine Java功能和命名空间API
  5. BAT 力捧的 AI 项目再次爆发,这些程序员都受影响!
  6. cad中lisp文件给恶作剧_CAD中LISP程序使用方法
  7. 二次元风格Kratos-pjax主题 WordPress主题
  8. 猜数字四个数字不重复C语言,c语言题 猜数字游戏
  9. WF+WCF+WPF第三天-WF实现一个软件自动测试框架
  10. python 分类变量xgboost_XGBoost 原理 及 常见面试题
  11. cas导入Eclipse中
  12. 原生JS大揭秘—原型链
  13. 全国大学生数学建模比赛介绍及其入门(国赛+美赛)
  14. Adobe Creative Cloud没有管理应用程序的权限
  15. 计算机更新后打印机无法使用,升级win10系统后无法使用HP打印机的官方解决方案...
  16. 攻防世界 web高手进阶区 9分题 favorite_number
  17. 卡塔尔世界杯除了没有中国队以外,都是中国元素!
  18. 朱有鹏:对嵌入式工程师的一些小建议
  19. 卡巴斯基文件服务器,卡巴斯基测试反病毒Linux文件服务器6.0
  20. mysql索引长度超过767bytes问题解决。Specified key was too long; max key length is 767 bytes

热门文章

  1. 安装软件包的三种方法rpm包rpm工具yum工具
  2. 鼠标滚动倾斜分割切换
  3. Python的弱引用
  4. LightSwitch中的权限
  5. python带界面的计算器
  6. 应用的生命周期各个程序运行状态时代理的回调
  7. Python+Selenium+PIL+Tesseract真正自动识别验证码进行一键登录
  8. 最大公约数之和——极限版II
  9. Filter,FilterChain,FilterConfig
  10. Effective Java阅读笔记——引言