【機器學習】HOG detectMultiScale 引數分析
前段時間學習了HOG描述子及其與SVM結合在行人檢測方面的應用。
當我們用訓練好的模型去檢測測試影象時，我們會用到detectMultiScale() 這個函式來對影象進行多尺度檢測。
這是opencv3.1裡的引數解釋
可以看到一共有8個引數。
1.img(必需)
這個不用多解釋，顯然是要輸入的影象。影象可以是彩色也可以是灰度的。
2.foundLocations
存取檢測到的目標位置
3.hitThreshold (可選)
opencv documents的解釋是特徵到SVM超平面的距離的閾值(Threshold for the distance between features and SVM classifying plane)
所以說這個引數可能是控制HOG特徵與SVM最優超平面間的最大距離，當距離小於閾值時則判定為目標。
4.winStride(可選)
HoG檢測視窗移動時的步長(水平及豎直)。
winStride和scale都是比較重要的引數，需要合理的設定。一個合適引數能夠大大提升檢測精確度，同時也不會使檢測時間太長。
5.padding(可選)
在原圖外圍新增畫素，作者在原文中提到，適當的pad可以提高檢測的準確率（可能pad後能檢測到邊角的目標？）
常見的pad size 有(8, 8), (16, 16), (24, 24), (32, 32).
6.scale(可選)
如圖是一個影象金字塔，也就是影象的多尺度表示。每層影象都被縮小尺寸並用gaussian平滑。
scale引數可以具體控制金字塔的層數，引數越小，層數越多，檢測時間也長。 一下分別是1.01 1.5 1.03 時檢測到的目標。 通常scale在1.01-1.5這個區間
7.finalThreshold（可選）
這個引數不太清楚，有人說是為了優化最後的bounding box
8.useMeanShiftGrouping(可選)
bool 型別，決定是否應用meanshift 來消除重疊。
default為false，通常也設為false，另行應用non-maxima supperssion效果更好。