opencv进阶-HOG+SVM行人检测(已训练好的分类器)
Posted 殇堼
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了opencv进阶-HOG+SVM行人检测(已训练好的分类器)相关的知识,希望对你有一定的参考价值。
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
以上是关于opencv进阶-HOG+SVM行人检测(已训练好的分类器)的主要内容,如果未能解决你的问题,请参考以下文章