选择/标准化HoG参数用于目标检测？
我正在使用HoG特征来进行物体检测和分类。
我对如何处理不同长度的HoG特征向量感到困惑。
我用大小相同的训练图像训练了我的分类器。
现在，我正在从我的图像中提取区域来运行分类器，比如使用滑动窗口的方法。有些提取的窗口比我训练时使用的图像要大得多。（我训练时使用的图像是可能在测试图像中出现的物体的最小尺寸）。
问题是，当我需要分类的窗口比训练图像大时，HoG特征向量也会比训练模型的特征向量大很多。
那么我该如何使用模型的特征向量来对提取的窗口进行分类呢？
举个例子，假设我提取的一个窗口的尺寸是360x240，我们称之为extractedwindow。然后我有一个训练图像，尺寸只有20x30，我们称之为trainingsample。
如果我这样获取HoG特征向量：
fd1, hog_image1 = hog(extractedwindow, orientations=8, pixels_per_cell=(16, 16), cells_per_block=(1, 1), visualise=True, normalise=True)
fd2, hog_image2 = hog(trainingsample, orientations=8, pixels_per_cell=(16, 16), cells_per_block=(1, 1), visualise=True, normalise=True)
print len(fd1)
print len(fd2)
那么特征向量之间的长度差异就是：
2640
616
那么这个问题该如何解决呢？提取的窗口是否应该缩小到分类器训练时样本的大小？还是应该根据每个提取的窗口改变或归一化HoG特征的参数？或者还有其他方法吗？
我个人是在使用python，利用scikit-image库，但我想这个问题和我使用的平台无关。
1 个回答
3
正如你所说，HOG（方向梯度直方图）其实是用一个参数来设定像素的单元格大小。所以如果图片的大小变化了，单元格的数量也会不同，这样得到的描述符（特征描述）大小也会不同。
使用HOG的主要方法是确保在训练和测试时使用相同大小的窗口（也就是像素大小要一致）。所以提取的窗口（extracted window）应该和训练样本（trainingsample）的大小是一样的。
在那个参考中，有用户提到：
HOG并不是尺度不变的。对于每张图片得到相同长度的特征向量，并不能保证尺度不变。
所以你应该使用相同的窗口大小……