使用HOG特徵和滑動窗口在網頁中查找特定單詞

Question

我想查找作爲輸入給出的任何網頁中特定單詞的出現次數。 我使用金字塔滑動窗口，在那裏我生成所有滑動窗口的HOG（梯度直方圖）功能。現在，我將所有窗口的HOG特徵與我想提取的單詞的HOG特徵進行比較。爲了比較兩個HOG特徵向量，我只對所有的i求和（vector1（i） - vector2（i））。

但是，結果低於預期。

我的查詢是，可以有一個更好的比較系統，用於比較每個窗口的HOG特徵與我想查找的單詞的HOG特徵。 或者我應該訓練一個類似SVM的分類器，以對窗口的HOG特徵進行分類。

爲了訓練分類器，我可以爲我想在我的數據集中找到的單詞設置最多100-200個元素。而對於SVM來說，數據集中最好有相同數量的真假數據元素，如何限制非字表示（假元素）爲100-200。 在訓練組非字數據元，我有：

1. ICDAR-2003 (this word data-set do not contain the word I want to extract) 

2. CIFAR image data set 

的原因，我沒有解壓/在HTML代碼中找到這個字，是因爲這個詞可以在圖像中也會發生。

此外，由於我想查找的單詞是固定的，因此我應該在數據集中包含多少個單詞圖像。

Answer 1

如果你有固定的字體，只尋找特定的詞，這裏是簡單的解決方法：

https://stackoverflow.com/a/9647509/8682088

你要提取字框，它調整到例如40×10像素。灰度像素值可能是您的特徵向量。然後你可以訓練你的SVM。這是原始的，但令人驚訝的有效。

它固定字體和簡單的符號工作得很好。