Matlab 结合多特征向量、HOG和LBP

我正在使用两个特征描述符（HOG和LBP）进行人员检测。到目前为止，我使用了一个简单的连接来组合这两个特性。但它有时会让我看到由于大向量而产生的问题。这是我的密码

%extract features from negative and positive images

[HOGpos,HOGneg] = features(pathPos, pathNeg);  


% loading and labeling each training example
HOG_featV = HOGfeature(fpos,fneg);   


% get label of training data from HOG
HOGlabel  = cell2mat(HOG_featV(2,:));

% get the feature vector value from HOG
HOGfeatureVector = HOG_featV(3,:)';

C = cell2mat(HOGfeatureVector); % each row of P correspond to a training example 




%extract features from LBP
[LBPpos,LBPneg] = LBPfeatures(pathPos, pathNeg);


% loading and labeling each training example
LBP_featV = loadingV(LBPpos, LBPneg); 


% get label of training data from LBP
LBPlabel = cell2mat(LBP_featV(2,:));

% get feature vector value from LBP
LBPfeatureVector = LBP_featV(3,:);
M = cell2mat(LBPtP)'; % each row of P correspond to a training example


%concatenate HOG and LBP feature
featureVector = [C M];

---

我想知道，有什么方法可以把两个特征向量结合起来，更可靠，更快？如果是，请给出一些建议或链接，我可以参考。谢谢。

我从您的评论中了解到以下内容： 您正在图像中选择1845个关键点。对于每个点，计算长度为383（LBP+HOG组合）的特征向量。代表图像的总矢量长度约为100000

如果事实上你只有1845张图像，而每张图像仅由383个特征表示，那么你注定会失败，你的支持向量机将有很高的错误率。主要原因是（特征向量太短，训练图像数量太少）。所以我认为情况并非如此

您的方法有一些问题。

似乎您不理解检测器和分类器之间的区别，您正在尝试应用分类器来解决检测问题。这是一个核心区别。分类器设计用于区分2个（或更多）类。例如，这种水果和“苹果”或“橙子”是什么。你可以通过两门课的很多例子来训练它。但是如果你给分类器一个香蕉，它将返回一个随机值！结果。它可能会说100%自信的“苹果”或100%自信的橙色。分类器无法处理不在训练类（apple、orange）内的示例（如香蕉）。另一方面，探测器没有两个类。它有一个“苹果”和“其他一切”。除了培训课程外，没有其他例子，因为“苹果”和“其他一切”涵盖了整个世界。你不能训练分类器识别“其他一切”，因为有无限多的对象不是“苹果”“其他一切”不是一个可以通过分类器训练识别的类。为此，你需要一个探测器。检测器的培训过程有点不同，您提供的示例类型也不同。为了训练探测器，你必须提供大量的“非苹果”。汽车、人、椅子、飞机的图像。通常，您需要数百万个不同的“非苹果”示例，而只需要几个苹果示例（比如数千个）

支持向量机并不能很好地解决检测问题。支持向量机的核心思想是，您可以选择几个具有代表性的示例（支持向量机），并使用这些示例描述两个类之间的分离。但让我问你——什么是“不是苹果”的所有事物的代表性图像？回答那个问题是不可能的。非“苹果”对象的数量是无限的，因此您无法为它们选择好的支持向量。选择“苹果”（红苹果、绿苹果、烂苹果等的形象）的代表很容易，但选择“其他一切”类的代表则很难。 不要误解我的意思-人们使用SVM来检测容易的对象（如公司徽标），但当你的任务很困难时，如人的检测（你有巨大的类内差异），SVM就差了。即使您设法训练SVM进行检测，您也会遇到两个问题：运行时间慢，新示例的错误率高（由于类内变化）。我建议使用增压方法来训练探测器

我假设您的错误率很高，因为用于培训的图像数量非常少。您的特征向量的长度约为100000，因此，如果您使用数百万张图像进行训练，SVM将需要几天时间进行训练。记住：对于2类分类问题，几千张图片就足够了。但是，对于检测问题，您需要数百万张图像

您的功能数量太多（假设为100000）。我打赌你的图像样本少于特征向量的~100000个长度。对于检测问题，功能数量应该相对较低（300-3000），但每个功能都必须良好！例如，您从60000个不同功能的列表开始，在培训过程中，将数量减少到1500个良好功能，并仅将其用于检测。如果你一开始使用的特征数量（如383=LBP直方图+HOG直方图）比大多数特征都少，那么大多数特征都是无用的，如果你使用PCA，你可能会惊讶地发现，实际上你只有约40个有助于检测的特征，而其他特征都是无用的。相反，如果你完成了训练，仍然需要100000个特征，你会疯狂地过度拟合，这将导致SVM的高错误率

实用建议：

你可以继续使用LBP/HOG特性，但首先要确保你有大量的“非人类”示例（100-1000万），否则你会有很高的错误率。试着拍几千张人的照片

训练一个单一的级联检测器。它比支持向量机更容易理解、更快、更准确。为训练过程提供所有可能的HOG、LBP特征（无直方图），并让其选择好的特征。openCV中有级联检测器培训的免费实现，您可以使用它。我个人的建议是：不要使用SVM进行检测。这是一个错误的工具。一旦你在图像中检测到一个人，你可以使用SVM来分类他是成年人还是小孩，但不要使用SVM来检测

---

我从您的评论中了解到以下内容： 您正在图像中选择1845个关键点。对于每个点，计算长度为383（LBP+HOG组合）的特征向量。代表图像的总矢量长度约为100000

如果事实上你只有1845张图片，而每张图片只有383个特征，那么你注定会失败，你的