我有一些不同照明下的行人图像，其中一些非常暗且难以检测。所以我试图找到一种方法来预处理这些图像以提高检测率。到目前为止我在想:
1)色彩校正算法，如http://www.ipol.im/pub/art/2011/llmps-scb/或http://www.ipol.im/pub/art/2011/gl_lcc/
2)OpenCV的CLAHE
但 HOG 特征是“梯度”，是一种“相对差异”。那么这些方法在使用HOG作为特征时真的有助于提高检测率吗？
如有任何建议，我们将不胜感激!
最佳答案
根据我在对象检测方面的经验，当您使用正确的 HoG 描述符标准化时，您所描述的问题就不再那么令人担忧。 我不知道您正在使用哪种实现，因此我无法判断使用了哪种标准化。
如果您计算检测窗口的 HoG 单元并全局标准化整个描述符(例如 L2 范数)，那么您将遭受所描述的照明变化，因为具有大对比度的对象区域将主导具有低对比度的区域。对比。 相反，如果您按照 Dalal-Triggs 的建议对每个单元格进行标准化以及Felzenszwalb et al ，那么你就得到了局部对比度归一化，这意味着半在阴影中、一半在光亮中的行人在 HoG 眼中仍然“看起来”像行人，每个 block 都由更强的梯度(轮廓)主导。
如果这没有帮助，您可能需要使用更现代的刚体检测器，它利用额外的特征 channel (例如颜色、纹理)。他们将 HoG 与这些 channel 结合起来，并使用级联范例来选择最适合您的数据集的特征。 Benenson et al. 的工作就是这种方法的一个很好的例子。
关于algorithm - 如何改进HOG目标探测器在不同照明下的图像？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/29457638/