opencv进阶-HOG+SVM行人检测（已训练好的分类器）

Posted 2021-08-16 殇堼

一、HOG特征检测算法原理与流程

HOG【Histogram（直方图） of Oriented Gradient（梯度）】特征检测：在对象检测与模式匹配中是一种常见的特征提取算法，是基于本地像素块进行特征直方图提取的一种算法。

HOG特征提取的大致流程如下：

1.转化为灰度图图像
2.梯度计算
3.分网格的梯度方向直方图
4.块描述子：2*2的网格单个组成一个块描述子
5.块描述子归一化：减少光照的影响
6.特征检测与检测窗口
最终获得HOG描述算子
正向训练：200个左右的特征样本
反向训练：600-800个左右的特征样本
初步测试、开窗测试
7.匹配方法
以上6、7步骤其实属于匹配的过程。

详细介绍参考：HOG特征详解与行人检测
API详细介绍参考：opencv之HOG特征检测+SVM实现行人检测

二、API

1.HOGDescriptor

作用：

cv::HOGDescriptor::HOGDescriptor (
Size _winSize,
Size _blockSize,
Size _blockStride,
Size _cellSize,
int _nbins,
int _derivAperture = 1,
double _winSigma = -1,
HOGDescriptor::HistogramNormType _histogramNormType = HOGDescriptor::L2Hys,
double _L2HysThreshold = 0.2,
bool _gammaCorrection = false,
int _nlevels = HOGDescriptor::DEFAULT_NLEVELS,
bool_signedGradient = false )

2.detectMultiScale

作用：用于人脸检测。
函数原型及其参数如下：

virtual void cv::HOGDescriptor::detectMultiScale(
InputArray img,
std::vector< Rect > & foundLocations,
double hitThreshold = 0,
Size winStride = Size(),
Size padding = Size(),
double scale = 1.05,
double finalThreshold = 2.0,
bool useMeanshiftGrouping = false )

参数含义如下：

Img-表示输入灰度图像
foundLocations-表示被检测对象的矩形框向量组
hitThreshold-表示SVM距离度量，默认0表示，表示特征与SVM分类超平面之间
winStride-表示窗口步长
padding-表示填充
scale-表示尺度空间
finalThreshold-最终阈值，默认为2.0
useMeanshiftGrouping-不建议使用，速度太慢拉

3.compute

作用：计算描述子个数

virtual void cv::HOGDescriptor::compute (
InputArray img,
std::vector< float > & descriptors,
Size winStride = Size(),
Size padding = Size(),
const std::vector< Point > & locations = std::vector< Point >()
)

全部代码

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
	Mat src = imread("D:/images/pedestrian.png");
	if (src.empty()) {
		printf("could not load image...\\n");
		return -1;
	}
	imshow("input image", src);

	//调用SVM训练好的行人检测的分类器
	HOGDescriptor hog = HOGDescriptor();
	hog.setSVMDetector(hog.getDefaultPeopleDetector());

	//人脸检测
	vector<Rect> foundLocations;
	hog.detectMultiScale(src, foundLocations, 0, Size(8, 8), Size(32, 32), 1.05, 2);

	for (size_t t = 0; t < foundLocations.size(); t++) {
		rectangle(src, foundLocations[t], Scalar(0, 0, 255), 2, 8, 0);
	}
	imshow("HOG SVM Detector Demo", src);

	waitKey(0);
	return 0;
}

效果展示