毕业课题之----HOG+SVM相关函数的解释
来源:互联网 发布:android涂鸦源码 编辑:程序博客网 时间:2024/05/16 13:49
A
OPENCV HOG特征向量个数计算方法:
下面参照网上方法说下怎么计算的每个向量的特征维数,就是一开始就声明的
样本矩阵 CvMat *data_mat = cvCreateMat( nImgNum, 1764, CV_32FC1 );
中这个1764 是如何计算出来的。
1. 先确定 你 要训练 以及 检测 的图片 的 大小 IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3); ok 这里是 64 x 64
2. 确定 HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize (16,16),cvSize(8,8),cvSize(8,8),9);
第一个 窗口 大小 设置 为 上面的图片大小 64 x 64 。
第二个 块大小 是 16 x 16 的话 [ 额 这个肿么确定?与前面的 窗口大小有关系 么? 这是opencv中默认的大小]
第三个 块block的步进 stride 8 x 8
第四个是 胞元cell大小 8 x 8
第五个是 cell的直方图的 bin = 9 [ 不懂 +_+]
每个 cell 有 9 个向量
每个block 有 (16 / 8 ) * (16 / 8) = 2 * 2 = 4 个 cell, 那么现在就有 4 * 9 = 36 个向量
每个 窗口 有多少个 block 呢?利用公式 (window_size - block_size)/block_stride + 1 对两个方向进行计算:
( 64 - 16) / 8 + 1 = 7
两个方向 7 * 7 = 49
所以共有 49* 36 = 1764
B
hog->compute(trainTempImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算
cvmSet(data_mat,i,n,*iter);//存储HOG特征
C
param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );
/*
SVM种类:CvSVM::C_SVC
Kernel的种类:CvSVM::RBF
degree:10.0(此次不使用)
gamma:8.0
coef0:1.0(此次不使用)
C:10.0
nu:0.5(此次不使用)
p:0.1(此次不使用)
OPENCV HOG特征向量个数计算方法:
下面参照网上方法说下怎么计算的每个向量的特征维数,就是一开始就声明的
样本矩阵 CvMat *data_mat = cvCreateMat( nImgNum, 1764, CV_32FC1 );
中这个1764 是如何计算出来的。
1. 先确定 你 要训练 以及 检测 的图片 的 大小 IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3); ok 这里是 64 x 64
2. 确定 HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize (16,16),cvSize(8,8),cvSize(8,8),9);
第一个 窗口 大小 设置 为 上面的图片大小 64 x 64 。
第二个 块大小 是 16 x 16 的话 [ 额 这个肿么确定?与前面的 窗口大小有关系 么? 这是opencv中默认的大小]
第三个 块block的步进 stride 8 x 8
第四个是 胞元cell大小 8 x 8
第五个是 cell的直方图的 bin = 9 [ 不懂 +_+]
每个 cell 有 9 个向量
每个block 有 (16 / 8 ) * (16 / 8) = 2 * 2 = 4 个 cell, 那么现在就有 4 * 9 = 36 个向量
每个 窗口 有多少个 block 呢?利用公式 (window_size - block_size)/block_stride + 1 对两个方向进行计算:
( 64 - 16) / 8 + 1 = 7
两个方向 7 * 7 = 49
所以共有 49* 36 = 1764
B
hog->compute(trainTempImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算
cvmSet(data_mat,i,n,*iter);//存储HOG特征
C
param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );
/*
SVM种类:CvSVM::C_SVC
Kernel的种类:CvSVM::RBF
degree:10.0(此次不使用)
gamma:8.0
coef0:1.0(此次不使用)
C:10.0
nu:0.5(此次不使用)
p:0.1(此次不使用)
然后对训练数据正规化处理,并放在CvMat型的数组里。
0 0
- 毕业课题之----HOG+SVM相关函数的解释
- 毕业课题之---HOG+SVM的一个研究过程
- 毕业课题之------------图像的HOG特征提取
- 毕业课题之------------SVM算法为什么需要核函数
- 毕业课题 ---opencv hog+svm bat批处理例子
- 毕业课题之-----opencv一些常用函数
- OpenCV之HOG的相关函数
- 毕业课题之------------图像的形态学滤波
- 我的毕业课题...
- 毕业课题之------------图像的对称性特征提取
- 毕业课题之------------图像的直线提取--hough变换
- 毕业课题之------------图像路面边缘的约束条件
- 毕业课题之------------图像路面直方图建模
- 毕业课题---之ostu算法二值化
- Opencv之HOG特征与SVM相结合的人体检测
- OpenCV的HOG与SVM
- svm+hog的手写体识别
- 毕业课题之------------车辆阴影特征检测的两种方法
- 第四次作业:《国际贸易学》—关税壁垒措施
- linux程序设计——MySQL管理(第八章)
- Hadoop集群(第3期)_VSFTP安装配置
- Android ImageView以及子类
- Esper入门简介:二 个人对它的理解
- 毕业课题之----HOG+SVM相关函数的解释
- 最小生成树
- Hadoop集群(第4期)_SecureCRT使用
- IO流学习二
- 【BUAA 591】The Last Alpha Star
- poj -- 2001 Shortest Prefixes (Trie 树)
- POJ 1111 Image Perimeters(dfs)
- PHP数组与对象之间用递归递归转换
- Hadoop集群(第5期)_Hadoop安装配置