我的環境

DPM源碼版本：voc-release3.1

VOC開發包版本：VOC2007_devkit_08-Jun

Matlab版本：MatlabR2012b

c++編譯器：VS2010

系統：Win7?32位

learn.exe迭代次數：5萬次

數據集：INRIA 人體數據集，等

步驟一，首先要使voc-release3.1目標檢測部分的代碼在windows系統下跑起來：

在Windows下運行Felzenszwalb的Deformable Part Models(voc-release4.01)目標檢測matlab源碼

上文中用的4.01，3.1需要修改的地方是一樣的，反而更簡單。

步驟二，把訓練部分代碼跑通，在VOC數據集上進行測試，如下文：

在windows下運行Felzenszwalb的Deformable Part Model(DPM)源碼voc-release3.1來訓練自己的模型

步驟三，再之后就是使之能在其他的數據集上訓練模型，比如INRIA人體數據集。

這一步中主要是修改pascal_data.m文件，這個文件的作用就是讀取標注，為訓練準備數據。此函數會返回兩個數組，pos[]和neg[]，

pos[]中是正樣本信息，格式為：[imagePath?x1 y1 x2 y2 ]；

neg[]中是負樣本信息，格式為：[imagePath] 。

先讀取INRIA數據集的標注，保存為下面的格式：

然后在pascal_data.m中讀取此文件，依次將標注信息保存到pos[]數組中，注意要將圖片路徑補全為絕對路徑。

[html]?view plain?copy ?

pos?=?[];?%?存儲正樣本目標信息的數組，每個元素是一個結構，{im,?x1,?y1,?x2,?y2}??

numpos?=?0;?%?正樣本目標個數(一個圖片中可能含有多個正樣本目標)??

??

%?InriaPersonPos.txt是從Inria人體數據集獲得的50個正樣本的標注文件，格式為[x1?y1?x2?y2?RelativePath]??

[a,b,c,d,p]?=?textread('InriaPersonPos.txt','%d?%d?%d?%d?%s');?%?注意：讀取后p的類型時50*1的cell類型??

??

%?遍歷訓練圖片文件名數組ids??

for?i?=?1:length(a);??

????if?mod(i,10)==0??

????????fprintf('%s:?parsing?positives:?%d/%d\n',?cls,?i,?length(a));??

????end;??

????numpos?=?numpos+1;?%?正樣本目標個數??

????pos(numpos).im?=?[VOCopts.datadir?p{numpos}];?%?引用cell單元時要用{},引用矩陣單元時用()??

????pos(numpos).x1?=?a(numpos);??

????pos(numpos).y1?=?b(numpos);??

????pos(numpos).x2?=?c(numpos);??

????pos(numpos).y2?=?d(numpos);??

end??

pos(numpos).im 中我也在相對路徑前加了VOCopts的數據集目錄datadir是因為我將INRIA數據集放在VOCdevkit目錄下了。

這里要特別注意的是，不需要提前從INRIA數據集中根據標注文件手動裁出人體目標，而是將標注信息和正樣本原圖都告訴DPM算法，它自動會進行縮放、剪裁處理，對于有的標注信息超過圖像邊界的，也沒關系，DPM中也會自己處理。

至于負樣本就無所謂了，反正都是從不含人體的原圖上隨機裁取，還用VOC數據集中的就行。

下面展示幾個訓練的模型，以及檢測結果

（1）50個INRIA正樣本目標，300個VOC負樣本目標，單組件(component)模型，部件個數為6。

模型可視化圖如下：

沒想到僅用50個正樣本，訓練出的模型竟然很不錯，這也跟INRIA人體數據集的質量很高有關。

檢測結果如下：

在500個VOC測試圖上獲得的平均精度AP=0.091

（2）537個Spinello RGBD數據集中的正樣本目標，300個VOC負樣本目標，單組件，6個部件。

模型可視化如下：

由于這537個正樣本目標來自對單個人的跟蹤結果，所以樣本不太好，如下：

所以訓練出來的模型根本檢測不到任何人體目標。

（3）2396個Spinello RGBD數據集中的正樣本目標，300個VOC負樣本目標，單組件，6個部件。

模型可視化如下：

這次的數據源和（2）中相同，只不過這次正樣本取自數據集中的所有34個人的跟蹤結果，訓練了一個晚上，結果還行。

檢測結果如下：

在500個VOC測試圖上獲得的平均精度AP=0.091。帶包圍盒預測的精度-召回率(precision-recall)曲線如下：

from:?http://blog.csdn.net/masibuaa/article/details/25221103

總結

以上是生活随笔為你收集整理的用DPM(Deformable Part Model，voc-release3.1)算法在INRIA数据集上训练自己的人体检测模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。