Python基于HOG+SVM/RF/DT等模型怎么实现目标人行检测功能

本篇内容主要讲解“Python基于HOG+SVM/RF/DT等模型怎么实现目标人行检测功能”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Python基于HOG+SVM/RF/DT等模型怎么实现目标人行检测功能”吧!

首先看下数据集，数据集主要分为两个类别，一个类别是包含行人的，另一个类别是不包含行人的，首先看下不包含行人的：

接下来看下包含行人的：

看到这里，其实就不难理解，这里的SVM扮演的主要作用就是二分类模型了。

接下来我们需要对原始图像的数据集进行特征提取计算，这里是基于HOG的方式实现的，可以自行实现HOG特征向量提取方法，也可以直接使用skimage提供的HOG提取器来一步实现，这里为了方便，我是直接使用的skimage提供的HOG方法，核心实现如下：

def img2Feature(dataDir="data/",save_path="feature.json"):    """    特征提取计算    """    feature=[]    for one_label in os.listdir(dataDir):        print("one_label: ", one_label)        oneDir=dataDir+one_label+'/'        for one_pic in os.listdir(oneDir):            one_path=oneDir+one_pic            print("one_path: ", one_path)            #加载图像            one_img = imread(one_path, as_gray=True)            one_vec = hog(one_img, orientations=orientations, pixels_per_cell=pixels_per_cell, cells_per_block=cells_per_block,                         visualize=visualize, block_norm=normalize)            one_vec=one_vec.tolist()            one_vec.append(one_label)            feature.append(one_vec)    print("feature_length: ", len(feature))    with open(save_path,"w") as f:        f.write(json.dumps(feature))

HOG提取得到的向量维度很大，这里就不进行展示了。

之后就可以训练模型了，核心实现如下：

resDir = "results/"if not os.path.exists(resDir):    os.makedirs(resDir)data = "feature.json"dict1 = DTModel(data=data, rationum=0.25, model_path=resDir + "DT.model")dict2 = RFModel(data=data, rationum=0.25, model_path=resDir + "RF.model")dict3 = SVMModel(data=data, rationum=0.25, model_path=resDir + "SVM.model")res_dict = {}res_dict["DT"], res_dict["RF"], res_dict["SVM"] = dict1, dict2, dict3with open(resDir + "res_dict.json", "w") as f:    f.write(json.dumps(res_dict))comparePloter(dict1, dict2, dict3, save_path=resDir + "comparePloter.jpg")

这里，我是同时使用了决策树DT、随机森林RF、支持向量机SVM三种模型来进行分类和对比可视化，对比结果如下：

{"DT": {"precision": 0.7573482282561567,"recall": 0.7597846737437716,"F1": 0.7584933696379963,"accuracy": 0.7584933696379963},"RF": {"precision": 0.9156160607479066,"recall": 0.8801773928046967,"F1": 0.893107332148193,"accuracy": 0.893107332148193},"SVM": {"precision": 0.9281402443868877,"recall": 0.9272928963585789,"F1": 0.9277128372009962,"accuracy": 0.9277128372009962}}

为了直观展示，这里对三种模型的性能进行可视化展示，如下所示：

到此，相信大家对“Python基于HOG+SVM/RF/DT等模型怎么实现目标人行检测功能”有了更深的了解，不妨来实际操作一番吧！这里是编程网网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！