标识识别 - 如何提高性能

Question

我正在致力于识别电视频道的项目。 我正在拍照的渠道吸我试图避免背景，并从标志的中心采取样品。 我承认4个不同的标志，这里的模板：

怎么我的模板匹配算法的工作：
由于尺寸100×100的4个模板，分别代表不同的电视频道，每个具有不同的阈值（概率）。 用户正在从电视机捕捉徽标，然后算法如下： - 在每个模板上运行4个独立模板匹配，以接收每个模板匹配捕获图像的概率。 - 对于每个信道概率，如果信道的概率低于信道的阈值，则概率变为0; - 宣布认可的标志是最有可能的标志。如果所有概率都是0，则宣布“不承认”。例如，如果我有一个概率为0.85，阈值为0.9的通道，第二个通道的概率为0.8，阈值为0.75，则第二个通道“胜利”。

当我拍摄其中一个标志的照片时，95％的时间认可照片。

目前的结果：

• 当试图检测第一（ “笑脸” 标志），从10所检测的我得到了10个正确的检测。对于正确的模板和图像之间的模板匹配，我得到0.91到0.94之间的概率。对于其他标志，我的概率在0.77到0.91之间。
• 当试图检测第二个（“绿色”标志）时，在10次检测中，我得到了10次正确的检测结果。对于正确的模板和图像之间的模板匹配，我得到的概率在0.78到0.91之间。对于其他徽标，我的概率介于0.71到0.83之间（但由于阈值高，检测成功）。
• 当试图检测第三个（“圆形”标志）时，在10次检测中，我得到了9次正确的检测结果。对于正确的模板和图像之间的模板匹配，我得到0.83到0.92之间的概率。对于其他标志，我的概率介于0.73至0.91之间。
• 当试图检测到第四个（“黑白”标志）时，在10次检测中，我得到了10次正确的检测结果。对于正确的模板和图像之间的模板匹配，我得到0.91到0.94之间的概率。对于其他标志，我的概率在0.78到0.92之间。
• 当试图检测到一个“负面”的图像，很多时候我得到一个标志检测（这是不好的）。例如，如果我拿一张完整白纸的图像，它会检测第一个，第三个和第四个标识的概率大于0.9

如何改进我的算法或改变它以获得更好的结果在“负面”图像？

感谢您的帮助，

的Eyal

Answer 1

这一切都取决于你如何计算从模板的通道概率。您是使用颜色直方图还是梯度直方图，然后查看模板和测试图像之间的直方图差异？

另一种方法是计算测试图像的特征向量，例如梯度直方图和颜色直方图的连接。然后，手动创建一个训练数据库，在该数据库中您知道标签（1,2,3或4，具体取决于哪个标签在图像中可见），您可以将硬编码标签和直方图特征一起输入到分类器例程。为此，我建议使用LIBSVM，并且scikits.learn实现在Python中很容易使用。

这将产生一个支持向量机分类器，它将比较新图像的特征向量和来自训练集的支持向量，并确定最有可能出现在图像中的正确标签。如果你想要产生概率而不仅仅是预测标签的东西，那么你可以在这个支持向量机的顶部拟合逻辑模型。

Duda，Hart和Stork的Pattern Classification以及Bishop的Pattern Recognition and Machine Learning两本好书可供您阅读。

我为实现Python中的Poselets and Histogram of Oriented Gradients而编写的一些凌乱的Python代码可以找到linked here;也许你可以在那里获取一些代码段，它将适合你的任务。