Python基於HOG+SVM/RF/DT等模型實現目標人行檢測功能

Posted on by

當下基本所有的目標檢測類的任務都會選擇基於深度學習的方式，諸如：YOLO、SSD、RCNN等等，這一領域不乏有很多出色的模型，而且還在持續地推陳出新，模型的迭代速度很快，其實最早實現檢測的時候還是基於機器學習去做的，HOG+SVM就是非常經典有效的一套框架，今天這裡並不是說要做出怎樣的效果，而是基於HOG+SVM來實踐機器學習檢測的流程。

這裡為瞭方便處理，我是從網上找的一個數據集，主要是行人檢測方向的，當然瞭這個用車輛檢測、火焰檢測等等的數據集都是可以的，本質都是一樣的。

首先看下數據集，數據集主要分為兩個類別，一個類別是包含行人的，另一個類別是不包含行人的，首先看下不包含行人的：

接下來看下包含行人的：

看到這裡，其實就不難理解，這裡的SVM扮演的主要作用就是二分類模型瞭。

接下來我們需要對原始圖像的數據集進行特征提取計算，這裡是基於HOG的方式實現的，可以自行實現HOG特征向量提取方法，也可以直接使用skimage提供的HOG提取器來一步實現，這裡為瞭方便，我是直接使用的skimage提供的HOG方法，核心實現如下：

def img2Feature(dataDir="data/",save_path="feature.json"):
    """
    特征提取計算
    """
    feature=[]
    for one_label in os.listdir(dataDir):
        print("one_label: ", one_label)
        oneDir=dataDir+one_label+'/'
        for one_pic in os.listdir(oneDir):
            one_path=oneDir+one_pic
            print("one_path: ", one_path)
            #加載圖像
            one_img = imread(one_path, as_gray=True)
            one_vec = hog(one_img, orientations=orientations, pixels_per_cell=pixels_per_cell, cells_per_block=cells_per_block, 
                        visualize=visualize, block_norm=normalize)
            one_vec=one_vec.tolist()
            one_vec.append(one_label)
            feature.append(one_vec)
    print("feature_length: ", len(feature))
    with open(save_path,"w") as f:
        f.write(json.dumps(feature))

HOG提取得到的向量維度很大，這裡就不進行展示瞭。

之後就可以訓練模型瞭，核心實現如下：

resDir = "results/"
if not os.path.exists(resDir):
    os.makedirs(resDir)
data = "feature.json"
dict1 = DTModel(data=data, rationum=0.25, model_path=resDir + "DT.model")
dict2 = RFModel(data=data, rationum=0.25, model_path=resDir + "RF.model")
dict3 = SVMModel(data=data, rationum=0.25, model_path=resDir + "SVM.model")
res_dict = {}
res_dict["DT"], res_dict["RF"], res_dict["SVM"] = dict1, dict2, dict3
with open(resDir + "res_dict.json", "w") as f:
    f.write(json.dumps(res_dict))
comparePloter(dict1, dict2, dict3, save_path=resDir + "comparePloter.jpg")

這裡，我是同時使用瞭決策樹DT、隨機森林RF、支持向量機SVM三種模型來進行分類和對比可視化，對比結果如下：

{
	"DT": {
		"precision": 0.7573482282561567,
		"recall": 0.7597846737437716,
		"F1": 0.7584933696379963,
		"accuracy": 0.7584933696379963
	},
	"RF": {
		"precision": 0.9156160607479066,
		"recall": 0.8801773928046967,
		"F1": 0.893107332148193,
		"accuracy": 0.893107332148193
	},
	"SVM": {
		"precision": 0.9281402443868877,
		"recall": 0.9272928963585789,
		"F1": 0.9277128372009962,
		"accuracy": 0.9277128372009962
	}
}

為瞭直觀展示，這裡對三種模型的性能進行可視化展示，如下所示：

        接下來我們對訓練好的模型調用進行測試，查看具體的效果，隨機選取瞭幾張網上的圖像，測試結果如下：

整體看下來，效果表現一般，不過這個也隻是主要以實踐流程為目的，並不是實際做項目的，而且各個環節都有優化提升的空間，模型的參數也都沒有調過。

到此這篇關於Python基於HOG+SVM/RF/DT等模型實現目標檢測[行人檢測]的文章就介紹到這瞭,更多相關Python目標檢測內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：