以 SVM 作为弱学习器的 Opencv 级联分类器
Opencv cascade classifier with SVM as weak learner
我正在做一个与人物检测相关的项目。我成功地实现了基于 HOG SVM 的分类器（使用 libSVM）和级联分类器（使用 opencv）。 svm 分类器工作得很好，我测试了很多视频，它正确地检测出确实有一些假阳性和一些假阴性的人；这里的问题是计算时间：整个图像大约需要 1.2-1.3 秒，前景块大约需要 0.2-0.4 秒；因为我正在从事一个必须能够在近乎实时的环境中工作的项目，所以我切换到级联分类器（以减少计算时间）。
所以我用 opencv (opencv_traincascade) 训练了许多不同的级联分类器。输出在计算时间方面很好（整个图像为 0.2-0.3 秒，仅在前景上启动时要少得多），所以我实现了目标，比方说。这里的问题是检测质量：我得到了很多误报和很多漏报。由于这两种方法之间的 only 区别是opencv中使用的基本分类器（决策树或决策树桩，据我所知无论如何没有SVM），所以我开始认为我的问题可能是基本分类器（在某种程度上，我猜 hog 特征最好与超平面分开）。
当然，libsvm和Opencv使用的数据集是完全一样的，无论是训练还是测试...为了完整起见，我使用了将近9千个正样本和近3万个负样本。
这是我的两个问题：
- 是否可以在 opencv_traincascade 函数中更改基础弱学习器？如果是，它是 svm 可能的选择之一吗？如果两个答案都是肯定的，我该怎么做呢？ :)
- 是否有其他计算机视觉或机器学习库将 svm 实现为弱分类器，并有一些方法来训练级联分类器？ （这些库是否适合与 opencv 结合使用？）
一如既往地提前感谢您！
马可.
原则上弱分类器可以是任何东西，但是Adaboost相关方法的优势在于它们能够从简单的分类器中获得好的结果（它们被称为“弱”是有原因的）。
使用 SVN 和 Adaboost 级联是一个矛盾，因为前者不需要在这样的框架中使用：它可以自己完成它的工作，而后者速度很快，只是因为它利用了弱分类器。
此外，我不知道有任何关于它的研究，而且 OpenCv 也不支持它：你必须自己编写代码。这是一项艰巨的任务，您可能不会得到任何有趣的结果。
无论如何，如果您认为 HOG 功能更适合您的任务，OpenCv 的 traincascade 有一个选项，除了 Haar 和 Lbp。
关于你的第二个问题，我不是很确定，但我很确定答案是否定的。
我的建议是：尽量从 traincascade 中获得最大的收益，例如尝试增加样本 id 的数量并比较结果。
这个paper挺好的。它只是说如果你使用更少的样本来训练它（假设少于训练集的一半），SVM 可以被视为弱分类器。权重越高，它被 'weak-SVM' 训练的机会就越大。
不幸的是，源代码并未广泛使用。如果你想要一个快速的原型，使用python scikit learn，在修改opencv之前看看是否能得到理想的结果。
我正在做一个与人物检测相关的项目。我成功地实现了基于 HOG SVM 的分类器（使用 libSVM）和级联分类器（使用 opencv）。 svm 分类器工作得很好，我测试了很多视频，它正确地检测出确实有一些假阳性和一些假阴性的人；这里的问题是计算时间：整个图像大约需要 1.2-1.3 秒，前景块大约需要 0.2-0.4 秒；因为我正在从事一个必须能够在近乎实时的环境中工作的项目，所以我切换到级联分类器（以减少计算时间）。 所以我用 opencv (opencv_traincascade) 训练了许多不同的级联分类器。输出在计算时间方面很好（整个图像为 0.2-0.3 秒，仅在前景上启动时要少得多），所以我实现了目标，比方说。这里的问题是检测质量：我得到了很多误报和很多漏报。由于这两种方法之间的 only 区别是opencv中使用的基本分类器（决策树或决策树桩，据我所知无论如何没有SVM），所以我开始认为我的问题可能是基本分类器（在某种程度上，我猜 hog 特征最好与超平面分开）。
当然，libsvm和Opencv使用的数据集是完全一样的，无论是训练还是测试...为了完整起见，我使用了将近9千个正样本和近3万个负样本。
这是我的两个问题：
- 是否可以在 opencv_traincascade 函数中更改基础弱学习器？如果是，它是 svm 可能的选择之一吗？如果两个答案都是肯定的，我该怎么做呢？ :)
- 是否有其他计算机视觉或机器学习库将 svm 实现为弱分类器，并有一些方法来训练级联分类器？ （这些库是否适合与 opencv 结合使用？）
一如既往地提前感谢您！
马可.
原则上弱分类器可以是任何东西，但是Adaboost相关方法的优势在于它们能够从简单的分类器中获得好的结果（它们被称为“弱”是有原因的）。
使用 SVN 和 Adaboost 级联是一个矛盾，因为前者不需要在这样的框架中使用：它可以自己完成它的工作，而后者速度很快，只是因为它利用了弱分类器。
此外，我不知道有任何关于它的研究，而且 OpenCv 也不支持它：你必须自己编写代码。这是一项艰巨的任务，您可能不会得到任何有趣的结果。
无论如何，如果您认为 HOG 功能更适合您的任务，OpenCv 的 traincascade 有一个选项，除了 Haar 和 Lbp。
关于你的第二个问题，我不是很确定，但我很确定答案是否定的。
我的建议是：尽量从 traincascade 中获得最大的收益，例如尝试增加样本 id 的数量并比较结果。
这个paper挺好的。它只是说如果你使用更少的样本来训练它（假设少于训练集的一半），SVM 可以被视为弱分类器。权重越高，它被 'weak-SVM' 训练的机会就越大。
不幸的是，源代码并未广泛使用。如果你想要一个快速的原型，使用python scikit learn，在修改opencv之前看看是否能得到理想的结果。