HOG与霍夫森林在目标检测中的应用及参数选择

"Block参数选择、霍夫森林与HOG特征在目标检测中的应用" 在计算机视觉领域，人体对象检测是关键任务之一，而霍夫森林(Hough Forest)和Histogram of Oriented Gradients (HOG)特征是两种常用的技术。在优化Block参数时，我们发现3×3的单元格结构，每个单元格为6×6像素，能够提供大约10%的错误率，这是非常优秀的检测效果。类似地，2×2单元格，每个单元格8×8像素的配置也有着相近的表现。通常，6-8像素宽的单元格和2-3单元格宽的块能够维持最低的错误率。然而，过大的块可能导致标准化效果减弱，增加错误率，而过小的块则可能丢失重要信息。 HOG特征是一种描述图像局部边缘方向分布的特征，它通过计算和积累图像梯度来捕捉物体的形状和结构信息。在Block和Cell划分后，有时会进行高斯平滑处理，以去除噪声，但由于梯度对噪声非常敏感，对于人体检测问题，这一步骤可能并不必要。 霍夫森林是基于随机森林(Random Forest)的目标检测算法，由Juergen Gall在2009年的CVPV上提出。与传统的检测方法不同，霍夫森林使用图像的局部块（patch）作为训练和测试样本。训练样本包含图像块信息、类别标签以及相对于目标中心的偏移量；测试样本则包含块的中心坐标。在识别过程中，主要利用信息增益（不确定度-熵）和识别可信度。 训练样本的准备包括确定正样本和负样本，通常会进行大小归一化。从对象中抽取大小相同的patch作为训练样本，即使这些样本可能包含一些噪声或错误的边界。二值测试是随机森林的关键组成部分，它们从所有可能的二值测试中随机选择，比如比较同一通道下两个像素的值。每个节点的分裂依据是预先生成的参数池中的信息增益。 对于基于HOG特征的二值测试，每个patch的像素在特定通道和位置上的值被比较，以确保与位置相关的特征得以保留。这意味着不同patch在同一位置的像素会被比较，而不同位置的像素（如不同通道）不会直接比较。这可能导致一些特征，如SIFT，不适用于这种比较，因为它们不直接与位置相关。 霍夫森林和HOG特征的结合使用在目标检测中展现出强大的能力，通过精心选取的Block参数和有效的特征提取，可以提高检测的准确性。同时，随机森林的鲁棒性使得它能处理一定的噪声和错误数据，进一步增强了检测系统的可靠性。