每次检测到人时，SVM是否需要进行学习？

我在OpenCV中使用SVM和HOG来实现人员检测。请使用我自己的数据集：3000个正样本和6000个负样本。我的问题是，每次检测到人时，SVM是否需要学习？如果是这样，学习时间和预测时间可能非常耗时。有没有什么方法可以实现实时人员检测？预先感谢您。每次检测到人时，SVM是否需要进行学习？

谢谢你的回答。我已经获得了训练后的xml结果（3000正数和6000负数），所以我可以使用这个结果来编写另一个独立的程序，只需使用svm.load（）和svm.predict（）？那很棒。此外，我发现1000个检测窗口大小的图像（128x64）的预测时间也非常耗时（约10秒），因此如何使用1或2像素扫描来处理正常的监控摄像机捕获（320x240或更高）实时步进？我根据原始纸张实现了HOG，每个单元格8x8像素，每个区块2x2个单元格（50％重叠），因此一个检测窗口（128x64）的3780维度矢量。时间问题是由巨大的特征向量造成的吗？我应该减少每个窗口的尺寸吗？

来源

2014-05-02 foresea

它应该学习一次，让您的SVM“理解”到行人分类的方式（即发现您的功能的参数）。然后，每次做预测时，都会直接预测（即在内部它应该更多或更少（学习参数*特征））。 –

这是一个非常具体的问题，一般的主题。

简短回答：不，您不需要每次使用SVM时都要学习。这是一个两步过程。第一步，学习（通过为您的学习算法提供许多标签（包含，不包含）包含人物或不包含人物的图片），产生一个用于第二步的模型：测试（在您的情况下检测人员）。

来源

2014-05-02 05:19:45 dubbaluga

不，你不必每次都重新训练一个svm。

你做训练一旦，然后svm.save（）训练模型到一个xml/yml文件。

以后你只是svm.load（），而不是（再）培训，并做你的预测

来源

2014-05-02 10:37:45 berak

每次检测到人时，SVM是否需要进行学习？

回答

相关问题