/Pedestrian-Detection

使用SVM+Hog特征和Logistic回归模型实现行人检测

Primary LanguagePython

Pedestrian-Detection

项目介绍

本项目是人工智能现代方法Ⅱ——机器学习的行人检测作业，具体任务如下所示：

  1. 利用HOG特征和SVM方法实现图像中的行人检测
  2. 利用逻辑回归 (Logistic Regression)模型实现行人检测，特征不限；并将本方法的结果与任务1中的结果进行比较分析 要求：
  3. 利用INRIAPerson Dataset的训练和测试数据进行实验http://pascal.inrialpes.fr/data/human/
  4. 画出在Miss Rate(1−Recall) Vs. False Positive Rate 曲线，并计算AUC

实验环境

Python 3.9.16
matplotlib 3.7.1
numpy 1.24.2
opencv-python 4.7.0.72
scikit-learn 1.2.2

项目内容

  1. 运行前先在代码所在文件夹中创建文件夹INRIAPerson，并将INRIAPerson Dataset中的Train和Test文件夹复制到INRIAPerson文件夹中；
  2. 文件夹介绍 SVM_Result SVM模型运行结果
    Logistic_Result 逻辑回归模型运行结果
  3. 模型文件 svm_model.xml SVM模型
    logistic_regression.joblib 逻辑回归模型
  4. Code文件内容

SVM模型
(1) DataLoader.py
内含DataLoader类，类内实现加载所有训练集图片并生成标签；
正样本： 把含有人像的部分剪裁下来，并Resize为64128像素；
负样本： 整体Resize为64128像素并对每张图片随机剪裁（扩充数据集）
(2) Train.py
计算Hog特征并训练SVM模型
(3) Detector.py
实现滑窗、NMS等，对测试样本的行人进行框选
(4) Test.py
加载测试集，用Detector类进行探测
(5) roc_curve.py
绘制ROC曲线，计算AUC

Logistic回归模型
(1) Logistic_Train.py
利用DataLoader加载的数据训练Logistic回归模型
(2) Logistic_Test.py
实现LogisticDetector类并在测试集上测试
(3) Logistic_roc.py
绘制ROC曲线，计算AUC