使用 HOG 功能和滑动窗口在网页中查找特定单词答案

【问题标题】：Finding Particular word in a webpage using HOG features and Sliding Window使用 HOG 功能和滑动窗口在网页中查找特定单词
【发布时间】：2018-03-28 21:56:00
【问题描述】：

我想在作为输入的任何网页中查找特定单词的出现。我使用了 Pyramid-Sliding window ，在这里我为所有滑动窗口生成了 HOG(Histogram of Gradients) 特征。

目前，我正在将所有窗口的 HOG 特征与我要提取的单词的 HOG 特征进行比较。

为了比较两个 HOG 特征向量，我只是对所有 i 取 summation(vector1(i) - vector2(i))。

但是，结果低于预期。

我的问题是，是否有更好的比较系统来比较每个窗口的 HOG 特征与我要查找的单词的特征。或者我应该训练像 SVM 这样的分类器来对窗口的 HOG 特征进行分类。

为了训练分类器，我最多可以有 100-200 个元素用于我想在我的数据集中找到的单词。并且由于对于 SVM，最好在数据集中具有相同数量的真假数据元素，如何将非单词表示（假元素）限制为 100-200。对于训练集中的非单词数据元素，我有：

1. ICDAR-2003 (this word data-set do not contain the word I want to extract)

2. CIFAR image data set

我没有在 html 代码中提取/查找这个词的原因是因为这个词也可以出现在图像中。

而且，由于我要查找的单词是固定的，所以我应该在数据集中有多少个单词的图像。

【问题讨论】：

标签： opencv computer-vision feature-extraction scikit-image sliding-window

【解决方案1】：

如果您有固定字体并且只寻找特定的单词，这里有一个简单的解决方法：

https://stackoverflow.com/a/9647509/8682088

您必须提取单词框，将其调整为例如 40x10 像素。灰度像素值可能是您的特征向量。然后你可以训练你的 SVM。它很原始，但效果惊人。

使用固定的字体和简单的符号可以很好地工作。

【讨论】：

嘿！那就是问题所在。我想训练一个 SVM，但我对数据集感到困惑。真正的训练示例可以是我要搜索的单词的多种表示形式（尽管它们几乎相同）。然而，错误的训练示例可以是任何东西，彩色或白色背景、图像组件、其他词等。所以虽然我可以拥有有限数量的正数据（比如 200-300 个示例/图像），但我如何选择我的负数据（数据这不是我要搜索的词）