前段時間學習了HOG描述子及其與SVM結合在行人檢測方面的應用。

當我們用訓練好的模型去檢測測試圖像時，我們會用到detectMultiScale() 這個函數來對圖像進行多尺度檢測。

這是opencv3.1里的參數解釋

可以看到一共有8個參數。

1.img(必需)

這個不用多解釋，顯然是要輸入的圖像。圖像可以是彩色也可以是灰度的。

2.foundLocations

存取檢測到的目標位置

3.hitThreshold?(可選)

opencv documents的解釋是特征到SVM超平面的距離的閾值(Threshold for the distance between features and SVM classifying plane)

所以說這個參數可能是控制HOG特征與SVM最優超平面間的最大距離，當距離小于閾值時則判定為目標。

4.winStride(可選)

HoG檢測窗口移動時的步長(水平及豎直)。

winStride和scale都是比較重要的參數，需要合理的設置。一個合適參數能夠大大提升檢測精確度，同時也不會使檢測時間太長。

5.padding(可選)

在原圖外圍添加像素，作者在原文中提到，適當的pad可以提高檢測的準確率（可能pad后能檢測到邊角的目標？）

常見的pad size 有(8, 8),?(16, 16),?(24, 24),?(32, 32).

6.scale(可選)

如圖是一個圖像金字塔，也就是圖像的多尺度表示。每層圖像都被縮小尺寸并用gaussian平滑。

scale參數可以具體控制金字塔的層數，參數越小，層數越多，檢測時間也長。 一下分別是1.01 ?1.5 1.03 時檢測到的目標。 通常scale在1.01-1.5這個區間

7.finalThreshold（可選）

這個參數不太清楚，有人說是為了優化最后的bounding box

8.useMeanShiftGrouping(可選)

bool 類型，決定是否應用meanshift 來消除重疊。

default為false，通常也設為false，另行應用non-maxima supperssion效果更好。

轉自：https://www.cnblogs.com/klitech/p/5747895.html

總結

以上是生活随笔為你收集整理的【机器学习】HOG detectMultiScale 参数分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。