2013-04-23 13 views
5

Chciałbym wykryć odkształcalne obiekty (CAT w moim przypadku), używając kaskad HAAR. Przeprowadziłem test na 2000 pozytywach i 3000 negatywnych obrazach do 20 etapów. Nie widzę niczego, co mogłoby się wydarzyć. Jestem pewien, że to może być problem z moim zestawem danych treningowych. Mój pozytywny zestaw danych zawiera w sobie obrazy kota. W różnych kształtach i pozycjach tego samego kota. Zastanawiam się, czy Haar byłby w stanie rozpoznać różnice w pozytywnym zestawie danych i nadal rozpoznaje je jako koty.Wykrywanie kota przy użyciu treningu Haar

Potrzebujesz pomocy, czy jest jakaś inna alternatywna metoda, którą mógłbym użyć?

+0

Istnieje dokument o wykryciu cat: [koty i psy, Parkhi, CVPR 2012] (http: // www.robots.ox.ac.uk/~vgg/publications/2012/parkhi12a/). Może możesz uzyskać od nich kilka pomysłów. Na przykład autorzy zdecydowali, że ciała kotów nie są dobrze wychwytywane przez takie sztywne modele. Podejście polegało na wykryciu tylko głowy, a następnie znalezieniu reszty ciała za pomocą segmentacji. – sietschie

+0

Czy udało ci się stworzyć algorytm wykrywania kota za pomocą treningu Haar? Mam na razie ten sam problem :-) Dzięki! – qgicup

+0

Nie, nie sądzę, że haar działa dobrze z odkształcalnym rozpoznawaniem obiektów. Przynajmniej nie mogłem go uruchomić w moim przypadku, zbyt wiele fałszywych negatywów/pozytywów. Próbowałem również metody Bag of words dla rozpoznawania obiektów, robią całkiem nieźle na sztywnych obiektach, ale nie na kotach. Bardzo trudno jest uchwycić całą zmienność danych podczas szkolenia klasyfikatora. W końcu oszukiwaliśmy i ustaliliśmy bardzo trywialne podejście do dopasowywania histogramu kolorów, nie zbliżając się do tego, co zamierzaliśmy zrobić, ale wystarczające do ukończenia projektu klasowego. – Prashant

Odpowiedz

4

Po pierwsze, nie wymieniono elementów, których używa się do szkolenia klasyfikatorów haar. Jeśli nie używasz opencv_traincascades, jest to miejsce, od którego należy zacząć.

Po drugie, wykrycie kota to bardzo trudna praca, istnieje wiele nieokiełznanych krawędzi, rotacyjne i przestrzenne wariancje. używając tego ciągu myśli, odpowiedz sobie na te pytania:

  • Jak wygląda Twój pozytywny dataset?
  • Czy to jest podobne do tego, co wyświetlasz przez kanał wejściowy?
  • Jaki jest współczynnik fałszywych alarmów twojego klasyfikatora, gdy go wyszkoliłeś?
  • Co w tym w zestawie tła (więcej zdjęć, które wyglądają jak koty, które ar koty są lepsze itp)

Proponuję opublikowania swojej wyjście do pytania z etapów klasyfikujących w porządku dla nas aby uzyskać lepszy obraz tego, co się dzieje. Zapoznaj się z tymi linkami, aby uzyskać dodatkową pomoc.

Może najpierw wypróbujesz za pomocą piór lub logo, postępuj zgodnie z samouczkami openCV i poznaj podstawy? (Przepraszam, jeśli założyć, że nie znać podstawy, jeśli nie)

G./

Powiązane problemy