如何针对不同光照下的图像改进 HOG objector detector？
How to improve HOG objector detector for images under different illuminations?
我有一些不同光照下的行人图像，其中一些非常暗且难以检测。所以我试图找到一种方法来预处理这些图像以提高检测率。目前我想到的是：
1）调色算法，如http://www.ipol.im/pub/art/2011/llmps-scb/ or http://www.ipol.im/pub/art/2011/gl_lcc/
2) OpenCV 的 CLAHE
但是 HOG 特征是 'gradients'，有点像 'relative differences'。那么这些方法真的有助于提高使用HOG作为特征时的检测率吗？
如有任何建议，我们将不胜感激！
根据我在对象检测方面的经验，当您使用 HoG 描述符的正确规范化时，您所描述的问题就会变得不那么重要。
我不知道您使用的是哪种实现，所以我无法判断使用了哪种规范化。
如果您为检测计算 HoG 单元 window 并全局归一化整个描述符（例如 L2 范数），那么您将像您描述的那样受到光照变化的影响，因为物体的区域具有较大的对比度将主导低对比度的区域。
相反，如果您按照 Dalal-Triggs and also by Felzenszwalb et al 的建议对每个单元格进行归一化，那么您会得到 局部对比度归一化 ，这意味着一半在阴影中一半在光线中的行人仍然 'look' 就像 HoG 眼中的行人，每个块都由更强的梯度（轮廓）支配。
如果这没有帮助，您可能想要使用更现代的刚体检测器，它们利用额外的特征通道（例如颜色、纹理）。他们将 HoG 与这些通道结合起来，并使用级联范式来选择最适合您的数据集的特征。这种方法的一个很好的例子是 Benenson et al.
的工作
我有一些不同光照下的行人图像，其中一些非常暗且难以检测。所以我试图找到一种方法来预处理这些图像以提高检测率。目前我想到的是：
1）调色算法，如http://www.ipol.im/pub/art/2011/llmps-scb/ or http://www.ipol.im/pub/art/2011/gl_lcc/
2) OpenCV 的 CLAHE
但是 HOG 特征是 'gradients'，有点像 'relative differences'。那么这些方法真的有助于提高使用HOG作为特征时的检测率吗？
如有任何建议，我们将不胜感激！
根据我在对象检测方面的经验，当您使用 HoG 描述符的正确规范化时，您所描述的问题就会变得不那么重要。 我不知道您使用的是哪种实现，所以我无法判断使用了哪种规范化。
如果您为检测计算 HoG 单元 window 并全局归一化整个描述符（例如 L2 范数），那么您将像您描述的那样受到光照变化的影响，因为物体的区域具有较大的对比度将主导低对比度的区域。 相反，如果您按照 Dalal-Triggs and also by Felzenszwalb et al 的建议对每个单元格进行归一化，那么您会得到 局部对比度归一化 ，这意味着一半在阴影中一半在光线中的行人仍然 'look' 就像 HoG 眼中的行人，每个块都由更强的梯度（轮廓）支配。
如果这没有帮助，您可能想要使用更现代的刚体检测器，它们利用额外的特征通道（例如颜色、纹理）。他们将 HoG 与这些通道结合起来，并使用级联范式来选择最适合您的数据集的特征。这种方法的一个很好的例子是 Benenson et al.
的工作