|
转自：云栖社区 本文通过SVM+HOG算法，YOLO算法实现车辆检测和跟踪准确性和速度的对比，得出YOLO算法更具优势的结论。 介绍对于Udacity（优达学城）自动驾驶汽车纳米学位的汽车检测和跟踪项目，如果使用传统的计算机可视化技术将是一个挑战，就像方向梯度直方图（Histogram of Oriented Gradients，HOG）和其它特征组合在一起在视频里跟踪汽车一样，理想的解决方案应该是实时运行的，如>30FPS，我曾经使用线性SVM来处理视频，在一台i7 CPU计算机上得到的结果只有可怜的3FPS。最后我使用YOLO来处理视频终于通过了Udacity的项目，YOLO是一个超快的用于对象检测的卷积神经网络，如果你的GPU够快（我当时使用的是GTX 1080），视频处理的速度可以达到65FPS，比我用SVM+HOG的方法足足快20倍 使用YOLO来处理Udacity汽车跟踪项目视频在检测汽车时表现优异 数据集我使用了KITTI和GTI数据集，以及来自项目训练仓库的一些其它数据，只有两类数据：有车的和没有车的，GTI数据从视频流获得，因此所有图像都完全是随机的，然后被分为训练和测试数据集，在训练和测试数据集之间建立相关关系，我将每个数据源30%的数据集作为验证和测试数据集，所有图像都被重置为64x64像素的大小，以便于特征的提取。 特征提取我使用的特征向量如下：
在这篇博客里有关于HOG特征的详细描述，其思想始终是，在一个直方图里，在一个图像上聚集梯度，让特征向量在不同视角和光线条件下变得更加稳定。下面是HOG特征应用于有车的和没车的图像上时的可视化呈现。 HOG特征，从左边开始的4列：训练数据和它们在HLS颜色空间里的通道，右边3列：每个通道HOG向量的可视化效果 最后一个特征向量包含前面3个不同方法提取的特征，因此有必要对每一个特征进行计量，防止因取值范围不同导致某一特征占主导地位，我使用了scikit学习包中的Standard.Scaler函数，通过移动平均值和按比例缩放到单位方差来标准化特征。 原文链接： https://yq.aliyun.com/articles/71662 |
|
|
