关于物体检测的算法答案

【问题标题】：Algorithms regarding detection of object关于物体检测的算法
【发布时间】：2014-03-01 10:05:47
【问题描述】：

我正在尝试检测我使用 SURF/SIFT 和 BOW 与 SVM 方法的车辆，但车辆类型不同，我只是研究 SURF/SIFT 用于特定对象检测，如 USB、手机等。这是否也意味着它也会影响（在检测中）不同类型的汽车，如丰田和宝马等？还是卡车和汽车之类的车辆？

如果我们向 SURF/SIFT 提供大量 10/15 种不同车辆的数据集，那么使用实时方法检测不同类型的车辆是否会给出不错的结果？

【问题讨论】：

【解决方案1】：

SURF/SIFT 是空间局部特征。如果数据集足够大，结果应该很好。即使对于不同的车辆，场景图像中也只有该车辆的特定结构可用。

但是，如果存在类似的非车辆结构，则可能会出现误报。（例如，带有栅栏的小矩形房屋的扭曲图像）。因此，道路检测等一些全局功能可能会提高准确性。

所以，如果您的应用程序图像中不存在误报，我认为带有 single class SVM 的车辆的 sirf/surf 功能应该会有所帮助。

【讨论】：

我实际上听到的是：实际上，像 sift 和 surf 这样的特征检测可能只有在您想检测确切的汽车类型时才有效，但是汽车类别有很大的变化，这是有原因的学者不使用这种方法来检测汽车和行人。
当您有大型数据集时，特征应该在边界内聚集，因此可以使用单个类分类器进行分类。但是当汽车类别的数量增加并且处理不同类型的图像时，你是对的。
你的意思是 Truck 、 Van 、 Jeep 、 Car 的汽车等级，分为 4 个等级？
是的。假设你有吉普车和一些汽车，它们的全局特征在相机场景中更有可能不同。然而，对于某些特定的视角，它可能是相同的。（例如背面）
但是如果我们拥有所有这些类的大量数据并且我们将 svm 与 SURF 一起使用，我们还会遇到问题吗？还是会出错？

【解决方案2】：

似乎特征和可能的处理方法选择不正确。例如，特征应该代表所有类别的汽车，因此不能是特定的兴趣点，其描述符仅代表点周围的一些梯度特性，并匹配寻找点相对于其他点的精确空间配置。

使用 SVM 进行处理意味着您可以针对所有其他对象对汽车进行分类。不过，我不确定您将如何获得“所有其他对象”支持向量。更明智的特征与人类似乎用来检测汽车的特征相同，例如，尝试使用可变形部件混合的 HOG 论文。这更接近最先进的技术并获得了多个奖项，因此无需发明自行车。

【讨论】：