我的環(huán)境

DPM源碼版本：voc-release3.1

VOC開發(fā)包版本：VOC2007_devkit_08-Jun

Matlab版本：MatlabR2012b

c++編譯器：VS2010

系統(tǒng)：Win7?32位

learn.exe迭代次數(shù)：5萬次

數(shù)據(jù)集：INRIA 人體數(shù)據(jù)集，等

步驟一，首先要使voc-release3.1目標(biāo)檢測(cè)部分的代碼在windows系統(tǒng)下跑起來：

在Windows下運(yùn)行Felzenszwalb的Deformable Part Models(voc-release4.01)目標(biāo)檢測(cè)matlab源碼

上文中用的4.01，3.1需要修改的地方是一樣的，反而更簡(jiǎn)單。

步驟二，把訓(xùn)練部分代碼跑通，在VOC數(shù)據(jù)集上進(jìn)行測(cè)試，如下文：

在windows下運(yùn)行Felzenszwalb的Deformable Part Model(DPM)源碼voc-release3.1來訓(xùn)練自己的模型

步驟三，再之后就是使之能在其他的數(shù)據(jù)集上訓(xùn)練模型，比如INRIA人體數(shù)據(jù)集。

這一步中主要是修改pascal_data.m文件，這個(gè)文件的作用就是讀取標(biāo)注，為訓(xùn)練準(zhǔn)備數(shù)據(jù)。此函數(shù)會(huì)返回兩個(gè)數(shù)組，pos[]和neg[]，

pos[]中是正樣本信息，格式為：[imagePath?x1 y1 x2 y2 ]；

neg[]中是負(fù)樣本信息，格式為：[imagePath] 。

先讀取INRIA數(shù)據(jù)集的標(biāo)注，保存為下面的格式：

然后在pascal_data.m中讀取此文件，依次將標(biāo)注信息保存到pos[]數(shù)組中，注意要將圖片路徑補(bǔ)全為絕對(duì)路徑。

[html]?view plain?copy ?

pos?=?[];?%?存儲(chǔ)正樣本目標(biāo)信息的數(shù)組，每個(gè)元素是一個(gè)結(jié)構(gòu)，{im,?x1,?y1,?x2,?y2}??

numpos?=?0;?%?正樣本目標(biāo)個(gè)數(shù)(一個(gè)圖片中可能含有多個(gè)正樣本目標(biāo))??

??

%?InriaPersonPos.txt是從Inria人體數(shù)據(jù)集獲得的50個(gè)正樣本的標(biāo)注文件，格式為[x1?y1?x2?y2?RelativePath]??

[a,b,c,d,p]?=?textread('InriaPersonPos.txt','%d?%d?%d?%d?%s');?%?注意：讀取后p的類型時(shí)50*1的cell類型??

??

%?遍歷訓(xùn)練圖片文件名數(shù)組ids??

for?i?=?1:length(a);??

????if?mod(i,10)==0??

????????fprintf('%s:?parsing?positives:?%d/%d\n',?cls,?i,?length(a));??

????end;??

????numpos?=?numpos+1;?%?正樣本目標(biāo)個(gè)數(shù)??

????pos(numpos).im?=?[VOCopts.datadir?p{numpos}];?%?引用cell單元時(shí)要用{},引用矩陣單元時(shí)用()??

????pos(numpos).x1?=?a(numpos);??

????pos(numpos).y1?=?b(numpos);??

????pos(numpos).x2?=?c(numpos);??

????pos(numpos).y2?=?d(numpos);??

end??

pos(numpos).im 中我也在相對(duì)路徑前加了VOCopts的數(shù)據(jù)集目錄datadir是因?yàn)槲覍NRIA數(shù)據(jù)集放在VOCdevkit目錄下了。

這里要特別注意的是，不需要提前從INRIA數(shù)據(jù)集中根據(jù)標(biāo)注文件手動(dòng)裁出人體目標(biāo)，而是將標(biāo)注信息和正樣本原圖都告訴DPM算法，它自動(dòng)會(huì)進(jìn)行縮放、剪裁處理，對(duì)于有的標(biāo)注信息超過圖像邊界的，也沒關(guān)系，DPM中也會(huì)自己處理。

至于負(fù)樣本就無所謂了，反正都是從不含人體的原圖上隨機(jī)裁取，還用VOC數(shù)據(jù)集中的就行。

下面展示幾個(gè)訓(xùn)練的模型，以及檢測(cè)結(jié)果

（1）50個(gè)INRIA正樣本目標(biāo)，300個(gè)VOC負(fù)樣本目標(biāo)，單組件(component)模型，部件個(gè)數(shù)為6。

模型可視化圖如下：

沒想到僅用50個(gè)正樣本，訓(xùn)練出的模型竟然很不錯(cuò)，這也跟INRIA人體數(shù)據(jù)集的質(zhì)量很高有關(guān)。

檢測(cè)結(jié)果如下：

在500個(gè)VOC測(cè)試圖上獲得的平均精度AP=0.091

（2）537個(gè)Spinello RGBD數(shù)據(jù)集中的正樣本目標(biāo)，300個(gè)VOC負(fù)樣本目標(biāo)，單組件，6個(gè)部件。

模型可視化如下：

由于這537個(gè)正樣本目標(biāo)來自對(duì)單個(gè)人的跟蹤結(jié)果，所以樣本不太好，如下：

所以訓(xùn)練出來的模型根本檢測(cè)不到任何人體目標(biāo)。

（3）2396個(gè)Spinello RGBD數(shù)據(jù)集中的正樣本目標(biāo)，300個(gè)VOC負(fù)樣本目標(biāo)，單組件，6個(gè)部件。

模型可視化如下：

這次的數(shù)據(jù)源和（2）中相同，只不過這次正樣本取自數(shù)據(jù)集中的所有34個(gè)人的跟蹤結(jié)果，訓(xùn)練了一個(gè)晚上，結(jié)果還行。

檢測(cè)結(jié)果如下：

在500個(gè)VOC測(cè)試圖上獲得的平均精度AP=0.091。帶包圍盒預(yù)測(cè)的精度-召回率(precision-recall)曲線如下：

from:?http://blog.csdn.net/masibuaa/article/details/25221103

總結(jié)

以上是生活随笔為你收集整理的用DPM(Deformable Part Model，voc-release3.1)算法在INRIA数据集上训练自己的人体检测模型的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。