HOG+SVM目标检测方法：LSI行人检测实践

"本文介绍了结合HOG（Histogram of Oriented Gradients，方向梯度直方图）和SVM（Support Vector Machine，支持向量机）的一种目标检测方法，主要用于行人检测。这种方法在LSI远红外行人数据集上进行了训练和测试，实现了较高的检测精度。" 在目标检测领域，HOG特征是一种常用的描述符，它能够有效地捕捉图像中的形状和边缘信息。HOG特征通过计算图像局部区域内的梯度方向直方图，然后将这些直方图组合起来形成一个特征向量，用于后续的分类任务。在本方法中，HOG特征被用来描述行人，并且与SVM结合，形成一个强大的分类器。 SVM是一种监督学习模型，它的核心思想是找到一个最优超平面，使得不同类别的样本尽可能地被这个超平面分开。在目标检测中，SVM用于对提取出的HOG特征进行分类，判断是否为行人。首先，需要对SVM进行预训练，使用分类样本数据集生成初步的模型。然后，在检测阶段，用预训练模型和检测数据集进一步优化模型，以适应实际应用中的环境变化。 LSI远红外行人数据集是一个专门用于行人检测的数据集，包含了真实场景下的红外图像，图像具有不同的行人姿态和遮挡情况。数据集分为两个部分：分类数据集用于预训练SVM，检测数据集用于评估模型性能。数据集中的人行边界框经过了手动标注，但可能存在一定的误差。 训练结果显示，该方法在训练集上获得了71.4%的平均精度（mAP），而在测试集上，mAP为61.8%，这表明模型在一定程度上能够泛化到未见过的图像，但仍有改进空间。 实现过程中，代码被组织在8个核心文件中，包括主要功能的实现和辅助工具函数。在训练阶段，SVM的训练样本通过计算预选边框与GroundTruth的IoU（Intersection over Union）来确定，IoU大于0.7的边框被视为正样本，小于0.1的视为负样本。测试阶段，mAP的计算则用于评估模型的整体检测性能，它衡量的是在多个阈值下，检测结果的平均精度。 这个结合HOG和SVM的方法提供了一种有效的行人检测解决方案，尤其适用于远红外图像。尽管在测试集上的mAP略低于训练集，但其完整的实现和公开的代码为后续研究和改进提供了基础。通过优化样本选择策略、调整SVM参数或者结合其他特征，有可能进一步提高检测精度。