Weighted Mobile Media Opencv

Ai fini del confronto algoritmo voglio confrontare il risultato di rilevamento della mia classificatore a cascata addestrato utilizzando il framework Jones viola amplificatore contro un classificatore SVM HOG mi sono allenato. Tuttavia, il quadro VJ ha alcun problema con un rapporto irregolare per aspetti positivi e negativi, per esempio 500 positivi e 100 negativi (dont mi dica questo è sbagliato per favore, tutto il mio dottorato di ricerca è di dimostrare che la consapevolezza contesto può efficacemente ridurre i numeri negativi. Se Vorrei convertire questo SVM classificazione però, sto leggendo in molti blogposts che l'utilizzo di CvSVM dovrebbe essere fatto con un numero uguale di campioni di formazione positivi e negativi. Se non devo aggiungere una distorsione, ma tuttavia, non riesco a trovare un esempio che fa esattamente che qualcuno mi potrebbe dare qualche indicazioni sul come dovrei applicare questa questo è anche possibile, nel quadro OpenCV EDIT 1:.. le persone che ho notato suggeriscono di usare libSVM o SVMlight per il training del modello Tuttavia, vorrei aderire al OpenCV solo, che dovrebbe in realtà essere possibile. conosco il lavoro di Dollr, che è una delle principali risorse carta sto usando per la mia ricerca :) ho creato con successo un wrapper per l'uscita della formazione CvSVM per creare un output che possono essere utilizzati dall'interfaccia HOGDescriptor. ramo Maestro ci ha dato anche una versione recentemente fusa per quello fatto da Mathieu Burchanon. Tuttavia, il maggior numero di funzionalità ML in OpenCV, la messa a punto dei parametri e lo studio è enourmous :) Vedrò quanto lontano ho, non esitate a contattarmi di tanto in tanto per chiedere di progresso per quanto riguarda i pesi, ho fatto alcuni piccoli test per verificare l'influenza. Qui ci sono i miei risultati: con pesi 0.9, 0.1 (0.9 per la classe più grande, 0,1 per la classe più piccola): Si può vedere il cambiamento dei pesi chiaramente in queste immagini. Spero che questo cancella le cose un po '. Su un lato nota: Ho provato a fare questo in pitone ma la variabile classweights non sembra ottenere impostare correttamente (vedere questa domanda per ulteriori informazioni). Per aggirare questo avevo codificato i pesi nella fonte OpenCV, utilizzando c wouldve più probabile visti i risultati corretti e, come i pesi sembrano avere impostato correttamente per c. Codice utilizzato per generare l'esempio: cjlinpaperslibsvm. pdf correttamente, questo dovrebbe funzionare con le classweights - parameter, che serve come una sanzione, cioè assegnare un maggiore peso alla classe avere più campioni. Esempio: 400 pos, 100 neg classweight --gt per la classe positivo 45 0,8 e 0,2 per la classe negativo. Si noti che per altri classificatori questo spesso può essere ottenuto dando una classe precedente. Si noti inoltre che se si dispone di un test sbilanciato (non formazione) impostare quindi una misura d'errore (precisionrecall media non ponderata per esempio, Vinciarelli et al. Il INTERSPEECH 2012 Speaker Trait Challenge) deve essere usato. Btw. per quanto ne so OpenCVs SVM si basa su libSVM. Beh, io sono convinto che è in realtà basata su libSVM in quanto si afferma nella presentazione originale del codice nel repository OpenCV. Cercherò il vostro suggerimento di utilizzare il parametro classweights e vedere se che in realtà il trucco Molte grazie per il suggerimento vi terremo aggiornati sullo stato di avanzamento Consente di avvolgere alcune cose su, eventuali osservazioni più che benvenuto. Ho provato ad applicare un elemento per ogni fattore di peso, ma questo non ha ancora sembra funzionare, dando alzare di un errore nell'esecuzione OpenCV: Ciò significa, tuttavia, che si pretende molto seguire l'approccio di default di LibSVM. Tuttavia, specificando un peso uguale o peso diverso per ogni classe, sembra che i miei vettori di supporto non cambiano nel mio file XML, che è abbastanza strano come la vedo io. O qualcuno sa il motivo per cui i vettori di supporto dovrebbero essere identiche ed è questo comportamento destinato a essere Ho scaricato il Daimler persona rilevatore di dati. Ha circa 15.000 immagini positive (precropped di 48x96 risoluzione) e 7000 immagini negative (immagini formato sfondo pieno). Se hanno preso le seguenti operazioni: Ha preso le 15000 finestre positivi e ha creato il descrittore HOG da esso. I parametri sono WindowSize 48x96 cellsize 8x8 blockSize 16x16 e windowStride 8x8, che sono i parametri ufficiali impiegati. Ha preso i 7000 negativi e tagliare 15000 finestre 48x96 caso tra quelli. Anche metterli attraverso il processo di creazione descrittore. Hanno aggiunto entrambi i gruppi ad una matrice di formazione vettoriale e creato le relative etichette. Eseguita la formazione SVM utilizzando i seguenti parametri usati una funzione di conversione, all'interno di un wrapperclass per generare un singolo vettore per il descrittore HOG utilizzando il seguente codice quindi caricata in un set di immagini di prova ed eseguito il rivelatore multiscale su di essa che è integrato nel HOGDescriptor funzione. Tuttavia, il risultato è tutt'altro che soddisfacente. come si può vedere qui sotto Quindi questo solleva alcune domande: Va bene per assaggiare solo immagini negative in modo casuale o devo prima fare in modo che i pedoni nell'immagine originale sono circa le dimensioni del modello, in modo che i campioni negativi sono più rappresentativi Mathieu seguendo il ritmo. come hai inviato una interfaccia sortlike, cosa forse si vede nulla che sto facendo male Questo problema è stato mi dà un mal di testa per più di una settimana. Inoltre, la formazione con pesi uguali per ogni classe o allenamento con i pesi diseguali (0,8 vs 0,2) per ogni classe pretende molto cambiare i valori vettoriali pressione forniti nel modello XML. E 'questo anche normale mi sarei aspettato il. (Più) Salve, questo sta per essere un articolo molto semplice, ma lo troverete molto utile. Si tratta di sfondo di estrazione da un video. Supponiamo che si sono date il video di filmati di traffico, potrebbe essere qualche cosa come questa. Traffico in India. e ti viene chiesto di trovare uno sfondo approssimativa. O qualcosa di simile. l'estrazione di sfondo viene importante nel monitoraggio oggetto. Se si dispone già di una immagine dello sfondo nuda, allora è semplice. Ma in molti casi, non dovrete una tale immagine e quindi, si dovrà crearne uno. Ecco dove esecuzione media viene in aiuto. (Ho pensato a questo quando un ragazzo ha fatto una domanda in SOF. Link) La funzione che usiamo qui per trovare Running Average è cv2.accumulateWeighted (). Per esempio, se stiamo guardando un video, continuiamo a nutrire ogni fotogramma a questa funzione, e la funzione di continuare a trovare le medie di tutti i frame alimentati ad esso secondo la relazione di seguito: src è nulla la nostra immagine fonte, ma. Può essere in scala di grigi o colore dell'immagine e sia a 8 bit o virgola mobile a 32-bit. DST è l'immagine di uscita o l'accumulatore con stessi canali quell'immagine fonte di, ed è a 32-bit o in virgola mobile a 64 bit. Inoltre, dovremmo dichiarare in primo luogo ad un valore che verrà preso come valore iniziale. alpha è il peso dell'immagine in ingresso. Secondo Docs, alfa regola la velocità di aggiornamento (la velocità con l'accumulatore 8220forgets8221 sulle immagini precedenti). In parole semplici, se alfa è un valore più alto, immagine media cerca di cogliere i cambiamenti anche molto veloci e brevi nei dati. Se si tratta di valore più basso, medio diventa lenta e considerare abituato cambiamenti veloci nelle immagini in ingresso. Spiegherò un po 'con l'aiuto di immagini a fine articolo. Nel codice di cui sopra, ho impostato due medie, uno con valore alfa più alto e un altro con valore alfa più basso in modo da poter comprendere effetto di alfa. In un primo momento entrambi sono impostati al telaio della cattura iniziale. E in loop che vengono aggiornati. È possibile vedere alcuni risultati nel link SOF ho già previsti. (I fornire tali risultati qui, è possibile controllare il valore del codice e alpha lì): Ho usato la mia webcam e salvato cornice originale e media in esecuzione in un determinato istante. Questo è un fotogramma di un video traffico tipica presa da una telecamera fissa. Come si può vedere, una macchina sta andando sulla strada, e la persona sta cercando di attraversare la strada in un particolare istante di tempo. Ma vedere la media in esecuzione in quel momento. Non vi è nessuna persona e auto in questa immagine (in realtà è lì, avere uno sguardo da vicino, poi si vedrà, e la persona è più chiaro di auto, dal momento che auto si muove molto velocemente e in tutta l'immagine, non ha molto effetto sui media, ma persona è lì per un lungo periodo di tempo, dal momento che è lento e si muove attraverso la strada) Ora abbiamo bisogno di vedere l'effetto di alpha nelle immagini images. Smoothing la spiegazione di seguito appartiene al libro Computer Vision:. Algoritmi e applicazioni di Richard Szeliski e per LearningOpenCV Smoothing. anche chiamato sfocatura. è un'operazione di elaborazione delle immagini semplice e di uso frequente. Ci sono molte ragioni per lisciare. In questo tutorial ci concentreremo sulla levigatura al fine di ridurre il rumore (altri usi saranno visibili nei seguenti esercitazioni). Per eseguire un'operazione di levigatura applicheremo un filtro per la nostra immagine. Il tipo più comune di filtri sono lineari. in cui un valore pixel8217s uscita (cioè) è determinato come somma pesata dei valori dei pixel di ingresso (cioè): Aiuta a visualizzare un filtro come una finestra di coefficienti scorrevoli attraverso l'immagine. Ci sono molti tipi di filtri, qui citeremo i più utilizzati: normalizzato scatola filtro Questo filtro è il più semplice di tutti Ogni pixel di uscita è la media dei suoi vicini del kernel (tutti contribuiscono con pesi uguali) Il kernel è qui sotto: gaussiana Filtrare Probabilmente il filtro più utile (anche se non il più veloce). filtro gaussiano è fatto convolvendo ciascun punto della matrice di ingresso con un kernel gaussiano e quindi sommando tutti per produrre la matrice di output. Giusto per rendere l'immagine più chiara, ricordano come un kernel 1D gaussiana assomigliano Supponendo che un'immagine è 1D, si può notare che il pixel si trova nel mezzo sarebbe il più grande peso. Il peso dei suoi vicini diminuisce all'aumentare della distanza spaziale tra loro e gli aumenti pixel centrale. Ricordare che una gaussiana 2D può essere rappresentato come: filtro mediano Il filtro mediano scorrere ogni elemento del segnale (in questo caso l'immagine) e sostituire ogni pixel con la mediana dei suoi pixel adiacenti (situato in una zona quadrato intorno al pixel valutato ). Filtro bilaterale Finora, abbiamo spiegato alcuni filtri che obiettivo principale è quello di smussare un'immagine in ingresso. Tuttavia, a volte i filtri non solo dissolvono il rumore, ma anche appianare i bordi. Per evitare questo (in certa misura almeno), si può usare un filtro bilaterale. In modo analogo al filtro gaussiano, il filtro bilaterale considera anche i pixel vicini con pesi assegnati a ciascuna di esse. Questi pesi sono due componenti, il primo dei quali è la stessa ponderazione utilizzato dal filtro gaussiano. Il secondo componente tiene conto della differenza di intensità tra i pixel adiacenti e quella valutata. Per una spiegazione più dettagliata è possibile controllare questo link Cosa fa questo programma fa carica un'immagine Si applica 4 diversi tipi di filtri (spiegato in teoria) e mostrare al filtrato le immagini in sequenza Spiegazione Let8217s controllare le funzioni OpenCV che coinvolgono solo la procedura di smoothing, dal momento che la resto è già noto da ora. Normalizzato Filtro di blocco: OpenCV offre la funzione di sfocatura da eseguire levigatura con questo filtro. Specifichiamo 4 argomenti (maggiori dettagli, controllare il riferimento): src. Fonte immagine dst. immagine Destinazione Dimensioni (w, h). Definisce le dimensioni del kernel da utilizzare (di pixel di larghezza we altezza h pixel) Point (-1, -1). Indica dove il punto di ancoraggio (il pixel analizzato) si trova rispetto alla zona. Se vi è un valore negativo, allora il centro del kernel è considerato il punto di ancoraggio. Essa viene eseguita dalla funzione GaussianBlur: Qui usiamo 4 argomenti (maggiori dettagli, controllare il riferimento OpenCV):