快捷導(dǎo)航

Python基于HOG+SVM/RF/DT等模型實(shí)現(xiàn)目標(biāo)人行檢測(cè)功能

更新時(shí)間：2022年06月01日 14:48:33 作者：Together_CZ

這篇文章主要介紹了Python基于HOG+SVM/RF/DT等模型實(shí)現(xiàn)目標(biāo)檢測(cè)[行人檢測(cè)],今天這里并不是說(shuō)要做出怎樣的效果，而是基于HOG+SVM來(lái)實(shí)踐機(jī)器學(xué)習(xí)檢測(cè)的流程，需要的朋友可以參考下

當(dāng)下基本所有的目標(biāo)檢測(cè)類的任務(wù)都會(huì)選擇基于深度學(xué)習(xí)的方式，諸如：YOLO、SSD、RCNN等等，這一領(lǐng)域不乏有很多出色的模型，而且還在持續(xù)地推陳出新，模型的迭代速度很快，其實(shí)最早實(shí)現(xiàn)檢測(cè)的時(shí)候還是基于機(jī)器學(xué)習(xí)去做的，HOG+SVM就是非常經(jīng)典有效的一套框架，今天這里并不是說(shuō)要做出怎樣的效果，而是基于HOG+SVM來(lái)實(shí)踐機(jī)器學(xué)習(xí)檢測(cè)的流程。

這里為了方便處理，我是從網(wǎng)上找的一個(gè)數(shù)據(jù)集，主要是行人檢測(cè)方向的，當(dāng)然了這個(gè)用車輛檢測(cè)、火焰檢測(cè)等等的數(shù)據(jù)集都是可以的，本質(zhì)都是一樣的。

首先看下數(shù)據(jù)集，數(shù)據(jù)集主要分為兩個(gè)類別，一個(gè)類別是包含行人的，另一個(gè)類別是不包含行人的，首先看下不包含行人的：

接下來(lái)看下包含行人的：

看到這里，其實(shí)就不難理解，這里的SVM扮演的主要作用就是二分類模型了。

接下來(lái)我們需要對(duì)原始圖像的數(shù)據(jù)集進(jìn)行特征提取計(jì)算，這里是基于HOG的方式實(shí)現(xiàn)的，可以自行實(shí)現(xiàn)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(lái)一步實(shí)現(xiàn)，這里為了方便，我是直接使用的skimage提供的HOG方法，核心實(shí)現(xiàn)如下：

def img2Feature(dataDir="data/",save_path="feature.json"):
    """
    特征提取計(jì)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，這里就不進(jìn)行展示了。

之后就可以訓(xùn)練模型了，核心實(shí)現(xiàn)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")

這里，我是同時(shí)使用了決策樹DT、隨機(jī)森林RF、支持向量機(jī)SVM三種模型來(lái)進(jìn)行分類和對(duì)比可視化，對(duì)比結(jié)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
	}
}

為了直觀展示，這里對(duì)三種模型的性能進(jìn)行可視化展示，如下所示：

接下來(lái)我們對(duì)訓(xùn)練好的模型調(diào)用進(jìn)行測(cè)試，查看具體的效果，隨機(jī)選取了幾張網(wǎng)上的圖像，測(cè)試結(jié)果如下：

整體看下來(lái)，效果表現(xiàn)一般，不過(guò)這個(gè)也只是主要以實(shí)踐流程為目的，并不是實(shí)際做項(xiàng)目的，而且各個(gè)環(huán)節(jié)都有優(yōu)化提升的空間，模型的參數(shù)也都沒(méi)有調(diào)過(guò)。

到此這篇關(guān)于Python基于HOG+SVM/RF/DT等模型實(shí)現(xiàn)目標(biāo)檢測(cè)[行人檢測(cè)]的文章就介紹到這了,更多相關(guān)Python目標(biāo)檢測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: