当下基本所有的目标检测类的任务都会选择基于深度学习的方式，诸如：yolo、ssd、rcnn等等，这一领域不乏有很多出色的模型，而且还在持续地推陈出新，模型的迭代速度很快，其实最早实现检测的时候还是基于机器学习去做的，hog+svm就是非常经典有效的一套框架，今天这里并不是说要做出怎样的效果，而是基于hog+svm来实践机器学习检测的流程。
这里为了方便处理，我是从网上找的一个数据集，主要是行人检测方向的，当然了这个用车辆检测、火焰检测等等的数据集都是可以的，本质都是一样的。
首先看下数据集，数据集主要分为两个类别，一个类别是包含行人的，另一个类别是不包含行人的，首先看下不包含行人的：
接下来看下包含行人的：
看到这里，其实就不难理解，这里的svm扮演的主要作用就是二分类模型了。
接下来我们需要对原始图像的数据集进行特征提取计算，这里是基于hog的方式实现的，可以自行实现hog特征向量提取方法，也可以直接使用skimage提供的hog提取器来一步实现，这里为了方便，我是直接使用的skimage提供的hog方法，核心实现如下：
def img2feature(datadir="data/",save_path="feature.json"): """ 特征提取计算 """ 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) #加载图像 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提取得到的向量维度很大，这里就不进行展示了。
之后就可以训练模型了，核心实现如下：
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")
这里，我是同时使用了决策树dt、随机森林rf、支持向量机svm三种模型来进行分类和对比可视化，对比结果如下：
{ "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 } }
为了直观展示，这里对三种模型的性能进行可视化展示，如下所示：
接下来我们对训练好的模型调用进行测试，查看具体的效果，随机选取了几张网上的图像，测试结果如下：
整体看下来，效果表现一般，不过这个也只是主要以实践流程为目的，并不是实际做项目的，而且各个环节都有优化提升的空间，模型的参数也都没有调过。
到此这篇关于python基于hog+svm/rf/dt等模型实现目标检测[行人检测]的文章就介绍到这了,更多相关python目标检测内容请搜索<计算机技术网(www.ctvol.com)!!>以前的文章或继续浏览下面的相关文章希望大家以后多多支持<计算机技术网(www.ctvol.com)!!>！
需要了解更多python教程分享Python基于HOG+SVM/RF/DT等模型实现目标人行检测功能，都可以关注python教程分享栏目—计算机技术网(www.ctvol.com)!
本文来自网络收集，不代表计算机技术网立场，如涉及侵权请联系管理员删除。
ctvol管理联系方式QQ:251552304
本文章地址：https://www.ctvol.com/pythontutorial/1118174.html