简介面向计算机视觉初学者与行人检测研究者这份MATLAB工程实现了基于支持向量机与梯度直方图的行人识别完整流程涵盖特征提取、分类器训练、多尺度滑动窗口检测以及重心滤除、重叠面积去重等后处理环节。压缩包内共含2429个文件其中以样本图像为主包括1482张JPG和933张PNG图片另有10个M源码文件、mat模型、TXT说明与PPTX讲稿便于对照代码与演示理解算法细节。目前已有2828人学习下载资源包大小约35.35MB。资料中保留了多组测试图片和过程截图直观展示了负例训练不足引发的误判以及去重优化后的效果。读者可借助fitcsvm训练脚本、自定义的HOG特征计算函数以及参数优化模块快速复现检测结果并进一步掌握交叉验证、网格搜索等调参思路。无论是课程设计、毕业设计还是智能交通、视频监控中的行人检测实践这份资料都能提供可直接运行的基线方案和完整的算法学习路径。1. 从课程设计到边缘设备部署SVMHOG行人识别算法的matlab实现到底在解决什么问题如果你搜到这篇多半是正在做 matlab 图像处理大作业、毕设里的目标检测章节或者被导师一句话“你把这个行人识别复现一下”推进了坑里。SVMHOG行人识别算法的matlab实现不是什么新潮东西它是 2005 年 Dalal 和 Triggs 在 CVPR 上提出的经典方案在没有深度学习之前这几乎是行人检测的事实标准。它做的事情很简单把图像分成小格子统计每个格子的梯度方向直方图得到一串特征向量再用支持向量机判断这串特征像不像人。它的优势在于训练快、部署轻、CPU 上能实时跑到今天仍在安防、交通、工业场景里被用作弱算力端的兜底方案——很多无人车项目在给高算力板卡调模型之前用的就是这套逻辑打底。这篇我会按“理论先立住、再动手能复现”的顺序从 HOG 特征怎么算、SVM 为什么选线性核到数据集准备、MATLAB 代码实现、滑窗与 NMS最后重点讲我复现时踩过的几个坑。你有 MATLAB 基础、哪怕只是上课学过一点跟着抄就能跑通。如果你是想快速搞定一个能演示的检测 demo我会给出一个保守但可靠的路径如果你是打算认真把这个方案做进项目甚至写论文参数和坑的部分对你的帮助会更大。2. HOG特征和线性SVM先搞清楚“提取什么”和“怎么决策”2.1 HOG特征到底在描述图像的什么HOGHistogram of Oriented Gradients方向梯度直方图的核心思想是目标的局部外观可以通过梯度方向分布来描述不需要知道像素的具体颜色和纹理。行人这种刚性弱、姿态多的目标表面纹理变化大但边缘轮廓的梯度方向分布是有统计规律的——站姿的人躯干和腿的梯度方向主要是垂直的而背景里的树木、墙面梯度方向要杂乱得多。具体的计算流程分为四步。第一步灰度化把 RGB 转为单通道灰度图。第二步计算梯度分别求水平方向 Gx 和垂直方向 Gy这一步的卷积核习惯上用 [-1, 0, 1] 和它的转置而不是 Sobel 核因为 Dalal 当年的实验证明这个简单核效果反而更好。第三步是统计方向直方图把图像划分成若干 cell细胞单元常见 8×8 像素每个 cell 内部所有像素的梯度幅值按方向加权投票方向区间一般是 9 个 bin即 0~180 度分成 9 等份注意是无符号方向因为梯度的正负在边缘表达上是冗余的。第四步是块归一化把相邻的 2×2 个 cell 组成一个 block对 block 内的特征做 L2 归一化消除光照和对比度变化的影响。这套逻辑说起来简单但直接影响后面 SVM 训练效果的关键点在于参数选型。cell 大小决定特征的分辨率8×8 是行人检测的经典配置block 重叠步长决定特征的连续性常见是 1 个 cell 作为步长滑动这样相邻 block 有重叠特征更平滑。我见过不少人把 cell 设成 32×32 想提速结果检测率急剧下降就是因为空间分辨率不够小肢体部分的梯度被平均掉了。还有一点容易被忽略图像需要先缩放到统一尺寸INRIA 行人数据集的标准裁剪尺寸是 64×128这是 HOG 行人检测最常用的默认值。2.2 线性SVM为什么够用从 Hard Margin 到 Soft MarginHOG 特征只是把图像变成了向量真正做分类的是 SVM。SVM 的目标是找一个超平面让正负样本到这个超平面的最小距离最大化。对于行人检测这个二分类问题理论上特征维度很高、样本量动辄上万用非线性核比如 RBF 核会导致训练极慢且容易过拟合而线性 SVM 在高维特征下已经有很强的表达能力因为 HOG 本身就是高维描述子在 64×128 的图像上提取出来的特征维度是 3780 维线性超平面在这个空间里已经能找到足够好的分界。MATLAB 里实现线性 SVM 有两条路老版本用svmtrainR2015a 之后官方建议用fitcsvm。两者的核心参数是BoxConstraint即 C 值它控制“误分类惩罚”和“模型泛化”之间的平衡。C 值设得大训练集上的错误率低但容易过拟合检测阶段对姿态变化大的行人会很敏感C 值设得小模型宽容度高泛化好但可能漏检。我一般习惯初始化 C1然后基于验证集的误报率做一次调参先粗调一个量级再精调。实际上OpenCV 里默认给的行人检测 SVM C 值就是 0.01 左右这个值偏低但配合高维 HOG 特征反而在真实场景里表现更稳值得参考。2.3 算法整体流程与特征维度的估算整体流程可以拆成训练阶段和检测阶段。训练阶段拿到的是成对的图片和标签把行人样本和负样本背景、非行人缩放到统一尺寸提取 HOG 特征组成特征矩阵 X 和标签向量 y交给 SVM 训练训练完得到一个模型然后进入检测阶段。检测阶段拿到的是任意大小的图像用一个固定尺寸的滑窗遍历整张图每个位置截取一块送入特征提取和 SVM 预测得出这块区域是不是行人最后把重叠的多个检测框用 NMS非极大值抑制合并。这里有一个很关键的维度估算64×128 的图像每个 block 是 16×16水平和垂直方向各有多少个 block水平方向 block 数是 (64/8 - 1) 7垂直方向是 (128/8 - 1) 15总共 105 个 block每个 block 有 2×2×936 维特征105×36 3780 维。这就是“3780 维 HOG 特征”这个数的由来在论文和工具里经常直接出现。搞清楚了它你才能理解为什么最终训练时间可控、模型文件很小——本质上就是 3780 维空间里的线性分类器权重向量也只有 3780 个浮点数加一个偏置。3. 准备训练数据公开数据集、自建样本与负样本挖掘的取舍3.1 公开数据集怎么选INRIA 与 Daimler 的差异要复现行人识别第一步是拿到数据。最经典的是 INRIA Person Dataset这是 Dalal 当年论文里用的数据集包含 614 张训练正样本图片裁剪对齐的行人和 1218 张负样本图片无人物的街景测试集是 288 张带标注的完整图片。它的特点是标注框比较紧基本贴合人体轮廓并且场景以街道、公园为主和常见的安防场景接近。另一个可用的是 Daimler 行人数据集主要从车载摄像头采集分辨率偏低正样本是 18×36 或类似的小尺寸更贴近远距离检测场景。如果你做的课题是车载场景用这个数据集更合适如果是通用安防或者课程演示INRIA 会比较友好。实际上很多课程设计是不具备下载条件的MATLAB 自带了一些样本图片但数量远远不够训练一个像样的分类器这里我会在下面仔细说自建与增强的路线。我自己的经验是不要一上来就用全量数据训练。先取 INRIA 的训练正样本和少量负样本训练一版跑通整个流程确认代码无误后再扩数据。因为首次跑会遇到很多特征提取和数据结构的问题全量数据只会让调试更慢。调通之后再逐渐增加负样本你会看到误报数量有明显的下降——这个过程本质上就是负样本难例挖掘。3.2 自建数据集的采集与标注操作路径如果你没法访问外网数据集或者课题要求针对特定场景比如校园、工厂、仓库自建数据集很正常。常见做法是自己拍或者从监控视频里抽帧利用 MATLAB 的TrainingImageLabeler或 Image Labeler 这个交互式标注工具框出行人框。需要注意的是标注框的纵横比尽量接近 1:2因为最终训练样本要 resize 到 64×128如果原始框长宽比差异太大resize 会引入严重的形变导致特征失真。采集的时候有几个硬建议。正样本要覆盖不同光照、拍摄角度、穿着颜色市中心主干道、黄昏逆光、雨伞撑开的情况能拍尽量拍。负样本不要只选“完全没人”的空场景要包含“有行人但有遮挡”“有人形物体电线杆、树干、广告牌上的剪影”这种难负样本否则检测阶段会出现大量误报。这一条是后面避坑章节的核心素材你如果只拿纯街道做负样本训练出来的模型大概率会把电线杆认成人。标注完导出时用export到工作区或者写入 PASCAL VOC 格式的 XML。如果你用的是 Image Labeler导出的 ground truth 是table类型第 1 列是imageFilename第 2 列是label对应的cell数组每行是多个[x, y, width, height]的矩阵。这个结构后面做训练数据加载时非常关键——因为不同图片包含的目标数不同所以 label 列不能是普通列向量而必须是 cell 数组。3.3 数据增强只用 8 个技巧也够支撑一个能用的模型数据增强是老生常谈但 HOG 特征对手工增强的敏感度和深度学习不一样。HOG 对颜色不敏感所以做颜色抖动意义不大平移和缩放有实际帮助因为滑窗检测时参考框和训练框不可能完全重合。我一般只做三种增强水平翻转这是行人检测最有效也最安全的增强方式因为行人左右对称轻微缩放0.9 到 1.1 倍之间随机缩放后重采样小幅平移上下左右平移 1~2 个像素。有一种增强我明确不建议做垂直翻转。行人和倒立的人形在 HOG 特征空间里是完全不同的分布垂直翻转会让模型学习到错误的梯度方向统计。写论文的时候你可能会想“为了扩充样本做 8 倍增强”但实际效果可能适得其反。还有一点是增强后的样本不要全部丢进训练集保留一部分原始样本在验证集里看看增强是否真的改善了泛化——我在教同事做这个流程时发现很多增强操作做完验证集指标反而不涨原因往往是增强参数太激进引入了不合理的形变。4. 用MATLAB实现HOG特征提取、SVM训练与滑窗检测的完整流程4.1 提取HOG特征用 extractHOGFeatures 还是手动实现MATLAB 自 2015a 起有了extractHOGFeatures函数封装了底层实现接收图像输入返回特征向量和可视化对象。如果你用的版本有它直接调用即可比自己写卷积核再统计直方图要稳定得多而且性能经过了优化。% 读取图像并转为灰度 img imread(pedestrian.jpg); if size(img, 3) 3 img rgb2gray(img); end % 统一裁剪到 64x128保持 HOG 参数一致性 img_resized imresize(img, [128, 64]); % 提取 HOG 特征 [hogFeature, visualization] extractHOGFeatures(img_resized, ... CellSize, [8 8], ... BlockSize, [2 2], ... NumBins, 9, ... UseSignedOrientation, false); % 查看特征维度 fprintf(特征维度: %d\n, length(hogFeature)); % 可视化查看 HOG 描述子的形状是否像一个人形 figure; subplot(1,2,1); imshow(img_resized); title(原图); subplot(1,2,2); plot(visualization); title(HOG 可视化);CellSize是 [8 8] 时特征最细粒度BlockSize[2 2] 表示一个 block 含 2×2 个 cellNumBins取 9 会得到 3780 维特征。UseSignedOrientation设为 false 表示用 0~180 度的无符号方向这是 Dalal 实验得出的最优选择设成 true 反而会降低识别率。可视化输出visualization是一个 vector field 对象画出来可以看到人体的轮廓头肩部有明显的梯度集中区域腿部的梯度方向周期性变化——如果特征图看起来一团乱多半是图片尺寸或者预处理出了问题。这段代码作为特征提取的模板函数在后续训练和检测中都会被反复调用。单独封装成函数是明智的例如getHOGFeature(im)这样训练循环对每张图调用检测时对每个滑窗调用。代码层面抽象到位了后面调参才高效。4.2 训练SVM模型fitcsvm 与参数设置特征提取封装好之后进入训练环节。常见做法是把所有正负样本的 HOG 特征拼成一个大矩阵每行一个样本标签用 1 和 -1。注意SVM 的标签在 MATLAB 里必须是数值或 categorical 类型用字符串的话fitcsvm会报错。% 假设已经读取了一批正负样本这里演示加载流程 posFiles dir(fullfile(data, pos, *.jpg)); negFiles dir(fullfile(data, neg, *.jpg)); numPos length(posFiles); numNeg length(negFiles); % 预分配特征矩阵所有样本都将 resize 到 64x128 featureDim 3780; X zeros(numPos numNeg, featureDim); y [ones(numPos, 1); -ones(numNeg, 1)]; for i 1 : numPos img imread(fullfile(data, pos, posFiles(i).name)); if size(img, 3) 3, img rgb2gray(img); end img imresize(img, [128, 64]); X(i, :) extractHOGFeatures(img, CellSize, [8 8], ... BlockSize, [2 2], NumBins, 9); end for i 1 : numNeg img imread(fullfile(data, neg, negFiles(i).name)); if size(img, 3) 3, img rgb2gray(img); end img imresize(img, [128, 64]); X(numPos i, :) extractHOGFeatures(img, CellSize, [8 8], ... BlockSize, [2 2], NumBins, 9); end % 训练 SVM 模型使用线性核 SVMModel fitcsvm(X, y, ... KernelFunction, linear, ... BoxConstraint, 0.01, ... Standardize, false, ... ClassNames, [1; -1]); % 保存模型供检测阶段加载 save(svmModel.mat, SVMModel);BoxConstraint如上文所说这里建议从 0.01 起步接近 OpenCV 的默认值不要用默认的 1。Standardize设为 false原因很直接HOG 特征本身已经是梯度统计值各个维度的数值范围接近归一化反而可能抹掉不同维度之间应有的权重差异。ClassNames明确指定正负类的标签顺序后面调用predict时才能确定返回的分数代表哪一类。训练完成后你会看到一个有意思的现象支持向量的数量通常不多几百到上千不等模型文件就是一个结构体。这也意味着这个方案部署到任何设备上本质上就是加载一组权重做一次矩阵乘法这也是它至今在嵌入式行人检测方案里没有被淘汰的原因。如果你的训练集很小比如只有 50 张正样本训练几乎秒完成但模型基本不可用——这不是代码的问题是数据量的问题。4.3 滑窗检测与 NMS把模型放到大图上找行人模型有了检测阶段要在大图上滑动窗口。这一步最容易出现性能问题因为窗口数很多。滑窗分两个尺度固定窗口缩放图像图像金字塔或者固定图像缩放窗口多尺度窗口前者是更常见的做法。用imresize按比例缩小原图对每个尺度用 64×128 的窗口逐行逐列扫描每移一次提取 HOG 特征、送入predict得到分数。function boxes detectPedestrians(img, SVMModel, stepSize, scaleStep, threshold) % 输入原图、SVM模型、滑窗步长、缩放步长、判定阈值 % 输出检测框 [x, y, width, height; ...] if size(img, 3) 3, img rgb2gray(img); end boxes []; scale 1; % 图像金字塔循环 while size(img, 1) / scale 128 size(img, 2) / scale 64 resizedImg imresize(img, 1 / scale); [rows, cols] size(resizedImg); % 滑窗 for y 1 : stepSize : rows - 128 1 for x 1 : stepSize : cols - 64 1 window resizedImg(y : y 127, x : x 63); hog extractHOGFeatures(window, CellSize, [8 8], ... BlockSize, [2 2], NumBins, 9); [label, score] predict(SVMModel, hog); % 对线性 SVMscore 是到超平面的距离这里用 Score 中正类分数 if label 1 score(2) threshold % 把检测框映射回原图坐标系 boxes [boxes; [x*scale, y*scale, 64*scale, 128*scale]]; end end end scale scale * scaleStep; % 例如 1.05 倍递增 end % NMS 合并重叠框 boxes nonMaxSuppression(boxes, 0.4); endscore的解读是这里最大的坑。predict对每个样本返回一个两列的分数矩阵每列对应一个类别。对线性 SVM这个分数本质是w·x b的值值越大表示越靠近正类一侧。因此判定条件不能只看label要结合正类的分数阈值设置通常设成 0 或 -0.5 附近。设成 0 表示要求样本严格落在超平面正侧设成 -0.5 会更宽松一些能找回一些被遮挡的行人但也会增加误报。这个值就是你的“灵敏度旋钮”。nonMaxSuppression对应 MATLAB 里没有直接提供常见做法是自己写几十行代码。NMS 的思路是把置信度最高的框选出来删掉所有和它 IoU 超过阈值的框然后重复。IoU 阈值取 0.4~0.5 比较常规设得太高比如 0.8会导致重叠框大量保留最终输出多个框套在同一个行人身上设得太低会导致紧密站在一起的两个人只保留一个框。NMS 写错是检测效果看起来“还能看”但实际漏检很高的重要原因后面我会给一段可以直接用的参考实现。4.4 用 trainCascadeObjectDetector 代替手写训练流程的场合写完上面的流程后新手可能会遇到一个问题fitcsvm训练出来的是一个分类器但 MATLAB 的 Computer Vision Toolbox 里还有一个更贴合“开箱即用”的接口——trainCascadeObjectDetector。它内部用的是 HOG 级联分类器基于 Viola-Jones 框架的变体训练接口比手写 SVM 更简单输出的 detector 对象直接支持detect方法。如果你只是为了交一个作业或者做一个快速 demo用它是性价比最高的。% 训练级联检测器正样本是标注表负样本是图片列表 trainCascadeObjectDetector(pedestrianDetector.xml, ... positiveInstances, ... fullfile(data, neg), ... FalseAlarmRate, 0.2, ... NumCascadeStages, 5, ... FeatureType, HOG); % 检测 detector vision.CascadeObjectDetector(pedestrianDetector.xml); bboxes step(detector, img);但它和我们前面手写的 SVM 方案有一个本质区别级联检测器是多级分类器的串联每级负责快速排除大量非目标区域最后一级才做精细判断速度和精度取向与单线性 SVM 不一样。FalseAlarmRate控制每级允许的误报率设得越小级联数需要越多训练越慢但最终误报越少。NumCascadeStages设 5 到 8 是常见配置。如果你是在做毕设中“算法实现”类的课题手写 SVM 流程能展示你对原理的理解得分通常更高如果你是给项目做原型级联方案更快。这两个方向的代码我都改过各有各的坑手写 SVM 的坑是数据维度容易出错级联的坑是trainCascadeObjectDetector要求正样本尺寸一致且长宽比固定训练中报内存错误很常见。5. 训练与检测中的6个高频坑现象、原因与解决5.1 检测框集中在人体边缘内侧而不是完整包住人现象检测出的框总是比实际人略小一圈集中在人形内部四肢部分会“切掉”一块。原因训练正样本的裁剪框不统一有的紧贴人体有的留了背景边SVM 学到的边界不完全是人体轮廓。解决检查正样本的裁剪确保人体占框高度的 70% 以上头顶留 5% 左右余量脚底留 8% 左右两侧尽量贴紧肩宽。INRIA 数据本身的标注框就是这种风格如果你发现自己的框普遍偏小把训练样本重新裁剪一遍而不是调检测阈值。5.2 全图检测时误报很多但训练集上准确率 100%现象训练集上几乎零错误放到整张街景图上框出来一堆不是人的目标。原因这是过拟合后又在极端不平衡的负样本上测试的典型表现。如果负样本只包含空草地、纯墙面模型没有见过“长得像人的树桩”“广告牌人形剪影”这类难负样本自然会把它们当人。解决做难例挖掘——把当前模型在负样本或者验证集上检测出来的所有误报框裁剪出来加入负样本集重新训练。这个操作重复两轮误报率通常能下降一个数量级。这也是 Dalal 论文里明确提到的训练策略属于经典操作不是进阶技巧。实施时把阈值的灵敏度调高让模型“多误报一些”这样能采到更多难负样本。5.3 滑窗步长设太大小个子行人被跳过现象近距离大尺度的行人都能检测到远处的小目标几乎全漏。原因滑窗步长stepSize设得太大比如 16 或 32 像素。滑窗步长大小直接决定了搜索密度步长为 8 时窗口覆盖密度是步长为 16 的 4 倍两个方向都是原来的一半。远处行人在图像上只有 60×30 像素左右按 64×128 窗口等比缩放后对应的原图窗口位置是离散的步长大了就会落在大目标之间的缝隙里。解决把步长降到 4~8。代价是检测时间显著增加所以要和图像金字塔的缩放步长配合调整。图像金字塔的缩放比例取 1.05 或者 1.1越小越密但耗时越高如果追求速度优先取 1.2 并缩小滑窗步长到 4这样能找到相对好的平衡点。5.4 HOG特征提取时报维度不匹配现象报错 “Error using extractHOGFeatures ... Expected input number 1, I, to be 2-D”。原因传入了彩色图像或者二值图像函数要求灰度图或彩色图都可以但二值图不被接受。还有另一种情况图像尺寸小于选定的 cell 尺寸乘以 block 尺寸比如用 8×8 的 cell、2×2 的 blockwindow 尺寸是 16×16如果再乘一个尺度缩放值窗口可能比 16×16 还小。解决在提取特征前检查size(img)如果小于 32×32 跳过该窗口。我的习惯是在滑窗循环里加一个判断if rows 16 || cols 16, continue; end。这也是图像金字塔循环最小尺寸限制的直接原因。5.5 检测速度太慢一张 720p 的图要跑好几秒现象检测一张 1280×720 的图需要 3 秒以上。原因有两个滑窗步长太小金字塔层数太多。1280×720 的图步长 8 加上 1.05 的金字塔缩放大约有 8000 个窗口每个窗口提取特征再预测一次累计时间自然高。解决思路有明确优先级先确认是否真的需要多尺度——如果你的业务场景里行人高度基本在 100 像素以上可以只检测原图尺度窗口数立刻降到一两千个耗时减半如果必须多尺度金字塔缩放比从 1.05 改成 1.1层数减少三分之一检测率损失不大最后一道加速手段是把滑窗步长从 8 调成 12这一步需要结合 NMS 阈值来平衡因为稀疏窗口会导致同一个目标只被扫到一次NMS 找不到可合并的框。5.6 训练时内存溢出特征矩阵太大现象使用全量 INRIA 训练集时MATLAB 报内存不足。原因正样本 1200 张、负样本 12000 张的规模下特征矩阵是 13200×3780 的双精度矩阵约 400MB 内存加上特征提取过程的中间变量很容易撑爆默认内存设置。解决从行数上做文章把负样本分批处理。第一次只用 2000 张负样本随机采样训练之后做难例挖掘每次往负样本池里加入 500 个难例保持负样本总量在 5000 以内。这种做法不只是解决内存问题——它对模型精度的贡献也大于一次性上全量数据。另一个技巧是把特征矩阵转成single类型内存直接减半fitcsvm对single是完全支持的。6. 让模型真正“可用”验证曲线、难例挖掘与部署前检查清单调试到检测框基本能正确框住行人之后距离“能交差”还有一段路。最重要的不是多看几张效果图而是做一次定量的验证。找一批没有参与训练的行人图片哪怕三五张统计漏检率和误报率把所有检测框和人工标注框做 IoU 计算IoU 大于 0.5 的算正确检测小于 0.5 的算定位偏差被漏掉的目标算漏检。这个统计至少能告诉你模型是“偏激进”误报多漏检少还是“偏保守”漏检多误报少从而决定阈值往哪个方向调。进阶一点的做法是画 Precision-Recall 曲线MATLAB 里用perfcurve函数传入标签和分数就能得到曲线曲线面积越大越好而对行人检测来说要重点关注低误报区间的查全率——毕竟安防场景里误报可以容忍漏检才是真事故。第二个值得做的操作是把模型用到一段连续视频上观察误报的分布规律。我做的实际项目里出现过这样一个情况静态图片验证表现良好的模型在监控视频里对自行车后座的一袋杂物稳定误报。原因很简单静态验证集的负样本里这种形似人形的分体目标太少。把这段视频里出现误报的帧全部抓出来裁剪误报区域加入负样本集做一轮再训练这类稳定误报基本能被清掉。这在工程上叫“场景特化”是一个比调参更能提升实际可用性的手段。最后一个建议是部署前在低算力设备上做一次真实耗时测试。用tic/toc包住检测主循环分别记录不同分辨率、不同金字塔层数下的耗时和帧率然后画一张表贴在项目报告里。这个数据比任何效果图都更有说服力。我习惯把滑窗步长和金字塔缩放比的几组组合全部跑一遍选一组满足“单帧 150ms 以内”的配置作为最终参数——因为实际部署时 CPU 占用率不可能一直是 100%至少要留 30% 的余量。这套方案做下来最大的教训就是不要迷信花哨的调参真正决定效果的是数据质量和滑窗策略。希望帮到你祝你的行人检测一次跑通。本文还有配套的精品资源点击获取
简介面向计算机视觉初学者与行人检测研究者这份MATLAB工程实现了基于支持向量机与梯度直方图的行人识别完整流程涵盖特征提取、分类器训练、多尺度滑动窗口检测以及重心滤除、重叠面积去重等后处理环节。压缩包内共含2429个文件其中以样本图像为主包括1482张JPG和933张PNG图片另有10个M源码文件、mat模型、TXT说明与PPTX讲稿便于对照代码与演示理解算法细节。目前已有2828人学习下载资源包大小约35.35MB。资料中保留了多组测试图片和过程截图直观展示了负例训练不足引发的误判以及去重优化后的效果。读者可借助fitcsvm训练脚本、自定义的HOG特征计算函数以及参数优化模块快速复现检测结果并进一步掌握交叉验证、网格搜索等调参思路。无论是课程设计、毕业设计还是智能交通、视频监控中的行人检测实践这份资料都能提供可直接运行的基线方案和完整的算法学习路径。1. 从课程设计到边缘设备部署SVMHOG行人识别算法的matlab实现到底在解决什么问题如果你搜到这篇多半是正在做 matlab 图像处理大作业、毕设里的目标检测章节或者被导师一句话“你把这个行人识别复现一下”推进了坑里。SVMHOG行人识别算法的matlab实现不是什么新潮东西它是 2005 年 Dalal 和 Triggs 在 CVPR 上提出的经典方案在没有深度学习之前这几乎是行人检测的事实标准。它做的事情很简单把图像分成小格子统计每个格子的梯度方向直方图得到一串特征向量再用支持向量机判断这串特征像不像人。它的优势在于训练快、部署轻、CPU 上能实时跑到今天仍在安防、交通、工业场景里被用作弱算力端的兜底方案——很多无人车项目在给高算力板卡调模型之前用的就是这套逻辑打底。这篇我会按“理论先立住、再动手能复现”的顺序从 HOG 特征怎么算、SVM 为什么选线性核到数据集准备、MATLAB 代码实现、滑窗与 NMS最后重点讲我复现时踩过的几个坑。你有 MATLAB 基础、哪怕只是上课学过一点跟着抄就能跑通。如果你是想快速搞定一个能演示的检测 demo我会给出一个保守但可靠的路径如果你是打算认真把这个方案做进项目甚至写论文参数和坑的部分对你的帮助会更大。2. HOG特征和线性SVM先搞清楚“提取什么”和“怎么决策”2.1 HOG特征到底在描述图像的什么HOGHistogram of Oriented Gradients方向梯度直方图的核心思想是目标的局部外观可以通过梯度方向分布来描述不需要知道像素的具体颜色和纹理。行人这种刚性弱、姿态多的目标表面纹理变化大但边缘轮廓的梯度方向分布是有统计规律的——站姿的人躯干和腿的梯度方向主要是垂直的而背景里的树木、墙面梯度方向要杂乱得多。具体的计算流程分为四步。第一步灰度化把 RGB 转为单通道灰度图。第二步计算梯度分别求水平方向 Gx 和垂直方向 Gy这一步的卷积核习惯上用 [-1, 0, 1] 和它的转置而不是 Sobel 核因为 Dalal 当年的实验证明这个简单核效果反而更好。第三步是统计方向直方图把图像划分成若干 cell细胞单元常见 8×8 像素每个 cell 内部所有像素的梯度幅值按方向加权投票方向区间一般是 9 个 bin即 0~180 度分成 9 等份注意是无符号方向因为梯度的正负在边缘表达上是冗余的。第四步是块归一化把相邻的 2×2 个 cell 组成一个 block对 block 内的特征做 L2 归一化消除光照和对比度变化的影响。这套逻辑说起来简单但直接影响后面 SVM 训练效果的关键点在于参数选型。cell 大小决定特征的分辨率8×8 是行人检测的经典配置block 重叠步长决定特征的连续性常见是 1 个 cell 作为步长滑动这样相邻 block 有重叠特征更平滑。我见过不少人把 cell 设成 32×32 想提速结果检测率急剧下降就是因为空间分辨率不够小肢体部分的梯度被平均掉了。还有一点容易被忽略图像需要先缩放到统一尺寸INRIA 行人数据集的标准裁剪尺寸是 64×128这是 HOG 行人检测最常用的默认值。2.2 线性SVM为什么够用从 Hard Margin 到 Soft MarginHOG 特征只是把图像变成了向量真正做分类的是 SVM。SVM 的目标是找一个超平面让正负样本到这个超平面的最小距离最大化。对于行人检测这个二分类问题理论上特征维度很高、样本量动辄上万用非线性核比如 RBF 核会导致训练极慢且容易过拟合而线性 SVM 在高维特征下已经有很强的表达能力因为 HOG 本身就是高维描述子在 64×128 的图像上提取出来的特征维度是 3780 维线性超平面在这个空间里已经能找到足够好的分界。MATLAB 里实现线性 SVM 有两条路老版本用svmtrainR2015a 之后官方建议用fitcsvm。两者的核心参数是BoxConstraint即 C 值它控制“误分类惩罚”和“模型泛化”之间的平衡。C 值设得大训练集上的错误率低但容易过拟合检测阶段对姿态变化大的行人会很敏感C 值设得小模型宽容度高泛化好但可能漏检。我一般习惯初始化 C1然后基于验证集的误报率做一次调参先粗调一个量级再精调。实际上OpenCV 里默认给的行人检测 SVM C 值就是 0.01 左右这个值偏低但配合高维 HOG 特征反而在真实场景里表现更稳值得参考。2.3 算法整体流程与特征维度的估算整体流程可以拆成训练阶段和检测阶段。训练阶段拿到的是成对的图片和标签把行人样本和负样本背景、非行人缩放到统一尺寸提取 HOG 特征组成特征矩阵 X 和标签向量 y交给 SVM 训练训练完得到一个模型然后进入检测阶段。检测阶段拿到的是任意大小的图像用一个固定尺寸的滑窗遍历整张图每个位置截取一块送入特征提取和 SVM 预测得出这块区域是不是行人最后把重叠的多个检测框用 NMS非极大值抑制合并。这里有一个很关键的维度估算64×128 的图像每个 block 是 16×16水平和垂直方向各有多少个 block水平方向 block 数是 (64/8 - 1) 7垂直方向是 (128/8 - 1) 15总共 105 个 block每个 block 有 2×2×936 维特征105×36 3780 维。这就是“3780 维 HOG 特征”这个数的由来在论文和工具里经常直接出现。搞清楚了它你才能理解为什么最终训练时间可控、模型文件很小——本质上就是 3780 维空间里的线性分类器权重向量也只有 3780 个浮点数加一个偏置。3. 准备训练数据公开数据集、自建样本与负样本挖掘的取舍3.1 公开数据集怎么选INRIA 与 Daimler 的差异要复现行人识别第一步是拿到数据。最经典的是 INRIA Person Dataset这是 Dalal 当年论文里用的数据集包含 614 张训练正样本图片裁剪对齐的行人和 1218 张负样本图片无人物的街景测试集是 288 张带标注的完整图片。它的特点是标注框比较紧基本贴合人体轮廓并且场景以街道、公园为主和常见的安防场景接近。另一个可用的是 Daimler 行人数据集主要从车载摄像头采集分辨率偏低正样本是 18×36 或类似的小尺寸更贴近远距离检测场景。如果你做的课题是车载场景用这个数据集更合适如果是通用安防或者课程演示INRIA 会比较友好。实际上很多课程设计是不具备下载条件的MATLAB 自带了一些样本图片但数量远远不够训练一个像样的分类器这里我会在下面仔细说自建与增强的路线。我自己的经验是不要一上来就用全量数据训练。先取 INRIA 的训练正样本和少量负样本训练一版跑通整个流程确认代码无误后再扩数据。因为首次跑会遇到很多特征提取和数据结构的问题全量数据只会让调试更慢。调通之后再逐渐增加负样本你会看到误报数量有明显的下降——这个过程本质上就是负样本难例挖掘。3.2 自建数据集的采集与标注操作路径如果你没法访问外网数据集或者课题要求针对特定场景比如校园、工厂、仓库自建数据集很正常。常见做法是自己拍或者从监控视频里抽帧利用 MATLAB 的TrainingImageLabeler或 Image Labeler 这个交互式标注工具框出行人框。需要注意的是标注框的纵横比尽量接近 1:2因为最终训练样本要 resize 到 64×128如果原始框长宽比差异太大resize 会引入严重的形变导致特征失真。采集的时候有几个硬建议。正样本要覆盖不同光照、拍摄角度、穿着颜色市中心主干道、黄昏逆光、雨伞撑开的情况能拍尽量拍。负样本不要只选“完全没人”的空场景要包含“有行人但有遮挡”“有人形物体电线杆、树干、广告牌上的剪影”这种难负样本否则检测阶段会出现大量误报。这一条是后面避坑章节的核心素材你如果只拿纯街道做负样本训练出来的模型大概率会把电线杆认成人。标注完导出时用export到工作区或者写入 PASCAL VOC 格式的 XML。如果你用的是 Image Labeler导出的 ground truth 是table类型第 1 列是imageFilename第 2 列是label对应的cell数组每行是多个[x, y, width, height]的矩阵。这个结构后面做训练数据加载时非常关键——因为不同图片包含的目标数不同所以 label 列不能是普通列向量而必须是 cell 数组。3.3 数据增强只用 8 个技巧也够支撑一个能用的模型数据增强是老生常谈但 HOG 特征对手工增强的敏感度和深度学习不一样。HOG 对颜色不敏感所以做颜色抖动意义不大平移和缩放有实际帮助因为滑窗检测时参考框和训练框不可能完全重合。我一般只做三种增强水平翻转这是行人检测最有效也最安全的增强方式因为行人左右对称轻微缩放0.9 到 1.1 倍之间随机缩放后重采样小幅平移上下左右平移 1~2 个像素。有一种增强我明确不建议做垂直翻转。行人和倒立的人形在 HOG 特征空间里是完全不同的分布垂直翻转会让模型学习到错误的梯度方向统计。写论文的时候你可能会想“为了扩充样本做 8 倍增强”但实际效果可能适得其反。还有一点是增强后的样本不要全部丢进训练集保留一部分原始样本在验证集里看看增强是否真的改善了泛化——我在教同事做这个流程时发现很多增强操作做完验证集指标反而不涨原因往往是增强参数太激进引入了不合理的形变。4. 用MATLAB实现HOG特征提取、SVM训练与滑窗检测的完整流程4.1 提取HOG特征用 extractHOGFeatures 还是手动实现MATLAB 自 2015a 起有了extractHOGFeatures函数封装了底层实现接收图像输入返回特征向量和可视化对象。如果你用的版本有它直接调用即可比自己写卷积核再统计直方图要稳定得多而且性能经过了优化。% 读取图像并转为灰度 img imread(pedestrian.jpg); if size(img, 3) 3 img rgb2gray(img); end % 统一裁剪到 64x128保持 HOG 参数一致性 img_resized imresize(img, [128, 64]); % 提取 HOG 特征 [hogFeature, visualization] extractHOGFeatures(img_resized, ... CellSize, [8 8], ... BlockSize, [2 2], ... NumBins, 9, ... UseSignedOrientation, false); % 查看特征维度 fprintf(特征维度: %d\n, length(hogFeature)); % 可视化查看 HOG 描述子的形状是否像一个人形 figure; subplot(1,2,1); imshow(img_resized); title(原图); subplot(1,2,2); plot(visualization); title(HOG 可视化);CellSize是 [8 8] 时特征最细粒度BlockSize[2 2] 表示一个 block 含 2×2 个 cellNumBins取 9 会得到 3780 维特征。UseSignedOrientation设为 false 表示用 0~180 度的无符号方向这是 Dalal 实验得出的最优选择设成 true 反而会降低识别率。可视化输出visualization是一个 vector field 对象画出来可以看到人体的轮廓头肩部有明显的梯度集中区域腿部的梯度方向周期性变化——如果特征图看起来一团乱多半是图片尺寸或者预处理出了问题。这段代码作为特征提取的模板函数在后续训练和检测中都会被反复调用。单独封装成函数是明智的例如getHOGFeature(im)这样训练循环对每张图调用检测时对每个滑窗调用。代码层面抽象到位了后面调参才高效。4.2 训练SVM模型fitcsvm 与参数设置特征提取封装好之后进入训练环节。常见做法是把所有正负样本的 HOG 特征拼成一个大矩阵每行一个样本标签用 1 和 -1。注意SVM 的标签在 MATLAB 里必须是数值或 categorical 类型用字符串的话fitcsvm会报错。% 假设已经读取了一批正负样本这里演示加载流程 posFiles dir(fullfile(data, pos, *.jpg)); negFiles dir(fullfile(data, neg, *.jpg)); numPos length(posFiles); numNeg length(negFiles); % 预分配特征矩阵所有样本都将 resize 到 64x128 featureDim 3780; X zeros(numPos numNeg, featureDim); y [ones(numPos, 1); -ones(numNeg, 1)]; for i 1 : numPos img imread(fullfile(data, pos, posFiles(i).name)); if size(img, 3) 3, img rgb2gray(img); end img imresize(img, [128, 64]); X(i, :) extractHOGFeatures(img, CellSize, [8 8], ... BlockSize, [2 2], NumBins, 9); end for i 1 : numNeg img imread(fullfile(data, neg, negFiles(i).name)); if size(img, 3) 3, img rgb2gray(img); end img imresize(img, [128, 64]); X(numPos i, :) extractHOGFeatures(img, CellSize, [8 8], ... BlockSize, [2 2], NumBins, 9); end % 训练 SVM 模型使用线性核 SVMModel fitcsvm(X, y, ... KernelFunction, linear, ... BoxConstraint, 0.01, ... Standardize, false, ... ClassNames, [1; -1]); % 保存模型供检测阶段加载 save(svmModel.mat, SVMModel);BoxConstraint如上文所说这里建议从 0.01 起步接近 OpenCV 的默认值不要用默认的 1。Standardize设为 false原因很直接HOG 特征本身已经是梯度统计值各个维度的数值范围接近归一化反而可能抹掉不同维度之间应有的权重差异。ClassNames明确指定正负类的标签顺序后面调用predict时才能确定返回的分数代表哪一类。训练完成后你会看到一个有意思的现象支持向量的数量通常不多几百到上千不等模型文件就是一个结构体。这也意味着这个方案部署到任何设备上本质上就是加载一组权重做一次矩阵乘法这也是它至今在嵌入式行人检测方案里没有被淘汰的原因。如果你的训练集很小比如只有 50 张正样本训练几乎秒完成但模型基本不可用——这不是代码的问题是数据量的问题。4.3 滑窗检测与 NMS把模型放到大图上找行人模型有了检测阶段要在大图上滑动窗口。这一步最容易出现性能问题因为窗口数很多。滑窗分两个尺度固定窗口缩放图像图像金字塔或者固定图像缩放窗口多尺度窗口前者是更常见的做法。用imresize按比例缩小原图对每个尺度用 64×128 的窗口逐行逐列扫描每移一次提取 HOG 特征、送入predict得到分数。function boxes detectPedestrians(img, SVMModel, stepSize, scaleStep, threshold) % 输入原图、SVM模型、滑窗步长、缩放步长、判定阈值 % 输出检测框 [x, y, width, height; ...] if size(img, 3) 3, img rgb2gray(img); end boxes []; scale 1; % 图像金字塔循环 while size(img, 1) / scale 128 size(img, 2) / scale 64 resizedImg imresize(img, 1 / scale); [rows, cols] size(resizedImg); % 滑窗 for y 1 : stepSize : rows - 128 1 for x 1 : stepSize : cols - 64 1 window resizedImg(y : y 127, x : x 63); hog extractHOGFeatures(window, CellSize, [8 8], ... BlockSize, [2 2], NumBins, 9); [label, score] predict(SVMModel, hog); % 对线性 SVMscore 是到超平面的距离这里用 Score 中正类分数 if label 1 score(2) threshold % 把检测框映射回原图坐标系 boxes [boxes; [x*scale, y*scale, 64*scale, 128*scale]]; end end end scale scale * scaleStep; % 例如 1.05 倍递增 end % NMS 合并重叠框 boxes nonMaxSuppression(boxes, 0.4); endscore的解读是这里最大的坑。predict对每个样本返回一个两列的分数矩阵每列对应一个类别。对线性 SVM这个分数本质是w·x b的值值越大表示越靠近正类一侧。因此判定条件不能只看label要结合正类的分数阈值设置通常设成 0 或 -0.5 附近。设成 0 表示要求样本严格落在超平面正侧设成 -0.5 会更宽松一些能找回一些被遮挡的行人但也会增加误报。这个值就是你的“灵敏度旋钮”。nonMaxSuppression对应 MATLAB 里没有直接提供常见做法是自己写几十行代码。NMS 的思路是把置信度最高的框选出来删掉所有和它 IoU 超过阈值的框然后重复。IoU 阈值取 0.4~0.5 比较常规设得太高比如 0.8会导致重叠框大量保留最终输出多个框套在同一个行人身上设得太低会导致紧密站在一起的两个人只保留一个框。NMS 写错是检测效果看起来“还能看”但实际漏检很高的重要原因后面我会给一段可以直接用的参考实现。4.4 用 trainCascadeObjectDetector 代替手写训练流程的场合写完上面的流程后新手可能会遇到一个问题fitcsvm训练出来的是一个分类器但 MATLAB 的 Computer Vision Toolbox 里还有一个更贴合“开箱即用”的接口——trainCascadeObjectDetector。它内部用的是 HOG 级联分类器基于 Viola-Jones 框架的变体训练接口比手写 SVM 更简单输出的 detector 对象直接支持detect方法。如果你只是为了交一个作业或者做一个快速 demo用它是性价比最高的。% 训练级联检测器正样本是标注表负样本是图片列表 trainCascadeObjectDetector(pedestrianDetector.xml, ... positiveInstances, ... fullfile(data, neg), ... FalseAlarmRate, 0.2, ... NumCascadeStages, 5, ... FeatureType, HOG); % 检测 detector vision.CascadeObjectDetector(pedestrianDetector.xml); bboxes step(detector, img);但它和我们前面手写的 SVM 方案有一个本质区别级联检测器是多级分类器的串联每级负责快速排除大量非目标区域最后一级才做精细判断速度和精度取向与单线性 SVM 不一样。FalseAlarmRate控制每级允许的误报率设得越小级联数需要越多训练越慢但最终误报越少。NumCascadeStages设 5 到 8 是常见配置。如果你是在做毕设中“算法实现”类的课题手写 SVM 流程能展示你对原理的理解得分通常更高如果你是给项目做原型级联方案更快。这两个方向的代码我都改过各有各的坑手写 SVM 的坑是数据维度容易出错级联的坑是trainCascadeObjectDetector要求正样本尺寸一致且长宽比固定训练中报内存错误很常见。5. 训练与检测中的6个高频坑现象、原因与解决5.1 检测框集中在人体边缘内侧而不是完整包住人现象检测出的框总是比实际人略小一圈集中在人形内部四肢部分会“切掉”一块。原因训练正样本的裁剪框不统一有的紧贴人体有的留了背景边SVM 学到的边界不完全是人体轮廓。解决检查正样本的裁剪确保人体占框高度的 70% 以上头顶留 5% 左右余量脚底留 8% 左右两侧尽量贴紧肩宽。INRIA 数据本身的标注框就是这种风格如果你发现自己的框普遍偏小把训练样本重新裁剪一遍而不是调检测阈值。5.2 全图检测时误报很多但训练集上准确率 100%现象训练集上几乎零错误放到整张街景图上框出来一堆不是人的目标。原因这是过拟合后又在极端不平衡的负样本上测试的典型表现。如果负样本只包含空草地、纯墙面模型没有见过“长得像人的树桩”“广告牌人形剪影”这类难负样本自然会把它们当人。解决做难例挖掘——把当前模型在负样本或者验证集上检测出来的所有误报框裁剪出来加入负样本集重新训练。这个操作重复两轮误报率通常能下降一个数量级。这也是 Dalal 论文里明确提到的训练策略属于经典操作不是进阶技巧。实施时把阈值的灵敏度调高让模型“多误报一些”这样能采到更多难负样本。5.3 滑窗步长设太大小个子行人被跳过现象近距离大尺度的行人都能检测到远处的小目标几乎全漏。原因滑窗步长stepSize设得太大比如 16 或 32 像素。滑窗步长大小直接决定了搜索密度步长为 8 时窗口覆盖密度是步长为 16 的 4 倍两个方向都是原来的一半。远处行人在图像上只有 60×30 像素左右按 64×128 窗口等比缩放后对应的原图窗口位置是离散的步长大了就会落在大目标之间的缝隙里。解决把步长降到 4~8。代价是检测时间显著增加所以要和图像金字塔的缩放步长配合调整。图像金字塔的缩放比例取 1.05 或者 1.1越小越密但耗时越高如果追求速度优先取 1.2 并缩小滑窗步长到 4这样能找到相对好的平衡点。5.4 HOG特征提取时报维度不匹配现象报错 “Error using extractHOGFeatures ... Expected input number 1, I, to be 2-D”。原因传入了彩色图像或者二值图像函数要求灰度图或彩色图都可以但二值图不被接受。还有另一种情况图像尺寸小于选定的 cell 尺寸乘以 block 尺寸比如用 8×8 的 cell、2×2 的 blockwindow 尺寸是 16×16如果再乘一个尺度缩放值窗口可能比 16×16 还小。解决在提取特征前检查size(img)如果小于 32×32 跳过该窗口。我的习惯是在滑窗循环里加一个判断if rows 16 || cols 16, continue; end。这也是图像金字塔循环最小尺寸限制的直接原因。5.5 检测速度太慢一张 720p 的图要跑好几秒现象检测一张 1280×720 的图需要 3 秒以上。原因有两个滑窗步长太小金字塔层数太多。1280×720 的图步长 8 加上 1.05 的金字塔缩放大约有 8000 个窗口每个窗口提取特征再预测一次累计时间自然高。解决思路有明确优先级先确认是否真的需要多尺度——如果你的业务场景里行人高度基本在 100 像素以上可以只检测原图尺度窗口数立刻降到一两千个耗时减半如果必须多尺度金字塔缩放比从 1.05 改成 1.1层数减少三分之一检测率损失不大最后一道加速手段是把滑窗步长从 8 调成 12这一步需要结合 NMS 阈值来平衡因为稀疏窗口会导致同一个目标只被扫到一次NMS 找不到可合并的框。5.6 训练时内存溢出特征矩阵太大现象使用全量 INRIA 训练集时MATLAB 报内存不足。原因正样本 1200 张、负样本 12000 张的规模下特征矩阵是 13200×3780 的双精度矩阵约 400MB 内存加上特征提取过程的中间变量很容易撑爆默认内存设置。解决从行数上做文章把负样本分批处理。第一次只用 2000 张负样本随机采样训练之后做难例挖掘每次往负样本池里加入 500 个难例保持负样本总量在 5000 以内。这种做法不只是解决内存问题——它对模型精度的贡献也大于一次性上全量数据。另一个技巧是把特征矩阵转成single类型内存直接减半fitcsvm对single是完全支持的。6. 让模型真正“可用”验证曲线、难例挖掘与部署前检查清单调试到检测框基本能正确框住行人之后距离“能交差”还有一段路。最重要的不是多看几张效果图而是做一次定量的验证。找一批没有参与训练的行人图片哪怕三五张统计漏检率和误报率把所有检测框和人工标注框做 IoU 计算IoU 大于 0.5 的算正确检测小于 0.5 的算定位偏差被漏掉的目标算漏检。这个统计至少能告诉你模型是“偏激进”误报多漏检少还是“偏保守”漏检多误报少从而决定阈值往哪个方向调。进阶一点的做法是画 Precision-Recall 曲线MATLAB 里用perfcurve函数传入标签和分数就能得到曲线曲线面积越大越好而对行人检测来说要重点关注低误报区间的查全率——毕竟安防场景里误报可以容忍漏检才是真事故。第二个值得做的操作是把模型用到一段连续视频上观察误报的分布规律。我做的实际项目里出现过这样一个情况静态图片验证表现良好的模型在监控视频里对自行车后座的一袋杂物稳定误报。原因很简单静态验证集的负样本里这种形似人形的分体目标太少。把这段视频里出现误报的帧全部抓出来裁剪误报区域加入负样本集做一轮再训练这类稳定误报基本能被清掉。这在工程上叫“场景特化”是一个比调参更能提升实际可用性的手段。最后一个建议是部署前在低算力设备上做一次真实耗时测试。用tic/toc包住检测主循环分别记录不同分辨率、不同金字塔层数下的耗时和帧率然后画一张表贴在项目报告里。这个数据比任何效果图都更有说服力。我习惯把滑窗步长和金字塔缩放比的几组组合全部跑一遍选一组满足“单帧 150ms 以内”的配置作为最终参数——因为实际部署时 CPU 占用率不可能一直是 100%至少要留 30% 的余量。这套方案做下来最大的教训就是不要迷信花哨的调参真正决定效果的是数据质量和滑窗策略。希望帮到你祝你的行人检测一次跑通。本文还有配套的精品资源点击获取
