One of the most popular and success

One of the most popular and successful “person detectors” out there right now is the HOG with SVM approach. When I attended the Embedded Vision Summit in April 2013, it was the most common algorithm I heard associated with person detection.

HOG stands for Histograms of Oriented Gradients. HOG is a type of “feature descriptor”. The intent of a feature descriptor is to generalize the object in such a way that the same object (in this case a person) produces as close as possible to the same feature descriptor when viewed under different conditions. This makes the classification task easier.

The creators of this approach trained a Support Vector Machine (a type of machine learning algorithm for classification), or “SVM”, to recognize HOG descriptors of people.

The HOG person detector is fairly simple to understand (compared to SIFT object recognition, for example). One of the main reasons for this is that it uses a “global” feature to describe a person rather than a collection of “local” features. Put simply, this means that the entire person is represented by a single feature vector, as opposed to many feature vectors representing smaller parts of the person.

The HOG person detector uses a sliding detection window which is moved around the image. At each position of the detector window, a HOG descriptor is computed for the detection window. This descriptor is then shown to the trained SVM, which classifies it as either “person” or “not a person”.

To recognize persons at different scales, the image is subsampled to multiple sizes. Each of these subsampled images is searched.

Results (Thai) 1:

หนึ่งที่นิยม และประสบความสำเร็จมากที่สุด "ผู้จับ" ออกขวาตอนนี้มีหมู ด้วยวิธี SVM เมื่อฉันเข้าร่วมการประชุมสุดยอดวิสัยทัศน์ฝังใน 2013 เมษายน ถูกที่สุดทึมผมได้ยินเกี่ยวกับผู้ตรวจสอบหมูหมายถึงฮิสโตแกรมของเน้นไล่ระดับสี หมูเป็นชนิดของ "ตัวบอกคุณลักษณะ" จุดประสงค์ของการอธิบายคุณลักษณะจะเมวัตถุในลักษณะที่วัตถุเดียวกัน (ในกรณีนี้บุคคล) ให้ใกล้ที่สุดเพื่ออธิบายคุณลักษณะเดียวกันเมื่อดูภายใต้เงื่อนไขต่าง ๆ นี้ทำงานประเภทง่ายขึ้นวิธีการนี้ผู้สร้างอบรมสนับสนุนเวกเตอร์เครื่องคอมพิวเตอร์ (ชนิดเครื่องอัลกอริทึมการจัดการเรียนรู้), หรือ "SVM" รู้จักตัวบอกหมูคนเครื่องตรวจจับบุคคลหมูจะค่อนข้างง่ายต่อการเข้าใจ (เมื่อเทียบกับลอดการรู้จำวัตถุ ตัวอย่าง) หนึ่งในสาเหตุหลักคือให้ใช้คุณลักษณะ "สากล" เพื่ออธิบายบุคคลแทนที่เป็นชุดของ "ท้องถิ่น" ใส่เพียง ซึ่งหมายความ ว่า บุคคลทั้งหมดจะแทน ด้วยเวกเตอร์ลักษณะเดี่ยว ตรงข้ามกับเวกเตอร์คุณลักษณะจำนวนมากที่แสดงถึงส่วนย่อย ๆ ของบุคคลเครื่องตรวจจับบุคคลหมูใช้หน้าต่างตรวจสอบเลื่อนซึ่งจะเคลื่อนย้ายรูปภาพ ในแต่ละตำแหน่งของหน้าต่างเครื่องตรวจจับ บอกหมูถูกคำนวณสำหรับหน้าต่างตรวจสอบ บอกนี้จะแล้วแสดงการ SVM ฝึก ซึ่งแบ่งประเภทเป็น "บุคคล" หรือ "ไม่เป็นคน"การรับรู้บุคคลในระดับต่าง ๆ รูปเป็น subsampled ไปหลายขนาด แต่ละภาพ subsampled เหล่านี้จะค้นหา

Results (Thai) 3:

หนึ่งในความนิยมมากที่สุดและประสบความสำเร็จ " ตัวบุคคล " ออกมีตอนนี้เป็นหมูด้วยวิธี SVM . เมื่อฉันเข้าร่วมฝังตัววิสัยทัศน์สุดยอดในเดือนเมษายน 2556 , มันเป็นวิธีที่พบมากที่สุดที่ฉันได้ยิน ที่เกี่ยวข้องกับการตรวจสอบคน

หมูยืนสำหรับปีและการไล่ระดับสี . หมูเป็นประเภทคุณลักษณะ " หัวเรื่อง "เจตนาของลักษณะหัวเรื่อง คือ หาวัตถุในลักษณะที่วัตถุเดียวกัน ( ในกรณีนี้บุคคล ) ผลิตใกล้เคียงที่สุดกับหัวเรื่องลักษณะเดียวกันเมื่อมองภายใต้เงื่อนไขที่แตกต่างกัน นี้จะทำให้การงานง่าย

ผู้สร้างวิธีการนี้ฝึกฝนสนับสนุนเวกเตอร์เครื่องจักร ( ชนิดของอัลกอริทึมการเรียนรู้ของเครื่องสำหรับการจำแนก )หรือ " SVM " จำหมูในคน

หมูคนเครื่องค่อนข้างง่ายที่จะเข้าใจ ( เมื่อเทียบกับร่อนรับรู้วัตถุตัวอย่างเช่น ) หนึ่งในเหตุผลหลักนี้ก็คือว่ามันใช้คุณลักษณะ " ระดับโลก " อธิบายคนมากกว่าชุดของลักษณะที่ " ท้องถิ่น " ใส่เพียงแค่นี้หมายความ ว่า บุคคลทั้งหมดจะถูกแทนด้วยเวกเตอร์ลักษณะเดียวเมื่อเทียบกับหลายลักษณะเวกเตอร์แทนชิ้นส่วนขนาดเล็กของคน

หมูคนเครื่องใช้การเลื่อนหน้าต่างซึ่งถูกย้ายไปที่ภาพ ในแต่ละตำแหน่งของหน้าต่างเครื่องหมูหัวเรื่องจะคำนวณสำหรับหน้าต่างตรวจสอบ หัวเรื่องนี้แล้วแสดง SVM ฝึก ซึ่งจัดว่าเป็น " คน " หรือ " คน " .

รู้จักบุคคลในระดับต่างๆ ภาพนี้ subsampled ขนาดหลาย แต่ละเหล่านี้ subsampled ภาพที่ค้นหา