OpenCV2.4.4實現HOG行人檢測
利用OpenCV中預設的SVM引數進行HOG行人檢測,預設引數是根據Dalal的方法訓練的。
#include <iostream>
#include <string>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/objdetect/objdetect.hpp>
#include <opencv2/ml/ml.hpp>
using namespace std;
using namespace cv;
int main()
{
Mat src = imread("5.png");
HOGDescriptor hog;//HOG特徵檢測器
hog.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());//設定SVM分類器為預設引數
vector<Rect> found, found_filtered;//矩形框陣列
hog.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);//對影象進行多尺度檢測,檢測視窗移動步長為(8,8)
cout<<"矩形個數:"<<found.size()<<endl;
//找出所有沒有巢狀的矩形框r,並放入found_filtered中,如果有巢狀的話,則取外面最大的那個矩形框放入found_filtered中
for(int i=0; i < found.size(); i++)
{
Rect r = found[i];
int j=0;
for(; j < found.size(); j++)
if(j != i && (r & found[j]) == r)
break;
if( j == found.size())
found_filtered.push_back(r);
}
cout<<"過濾後矩形的個數:"<<found_filtered.size()<<endl;
//畫矩形框,因為hog檢測出的矩形框比實際人體框要稍微大些,所以這裡需要做一些調整
for(int i=0; i<found_filtered.size(); i++)
{
Rect r = found_filtered[i];
r.x += cvRound(r.width*0.1);
r.width = cvRound(r.width*0.8);
r.y += cvRound(r.height*0.07);
r.height = cvRound(r.height*0.8);
rectangle(src, r.tl(), r.br(), Scalar(0,255,0), 3);
}
imwrite("ImgProcessed.jpg",src);
namedWindow("src",0);
imshow("src",src);
waitKey();//注意:imshow之後一定要加waitKey,否則無法顯示影象
system("pause");
}
HOG多尺度檢測函式說明:
void detectMultiScale(constGpuMat& img, vector<Rect>& found_locations, double hit_threshold= 0,
Sizewin_stride = Size(), Size padding = Size(), double scale0=1.05,intgroup_threshold=2 );
img:待檢測的影象,支援CV_8UC1或CV_8UC4型別
found_locations:檢測到的目標的包圍框陣列
hit_threshold:檢測到的特徵到SVM分類超平面的距離,一般是設為0,在分類器引數中指明。
win_stride:檢測視窗每次移動的距離,必須是塊移動的整數倍
padding:保持CPU介面相容性的虛引數,必須是(0,0)。但網上下載的例子裡是(32,32)
scale0:滑動視窗每次增加的比例
group_threshold:組閾值,即校正係數,當一個目標被多個視窗檢測出來時,該引數此時就起了調節作用, 為0時表示不起調節作用。
效果:
可以看到沒有誤報,但又很多漏檢。
Navneet Dalal在CVPR2005上的HOG原論文翻譯見:http://blog.csdn.net/masibuaa/article/details/14056807
原始碼下載,環境為VS2010 + OpenCV2.4.4
相關文章
- 利用HOG特徵進行人體檢測HOG特徵
- HOG_SVM_行人檢測資料集合_INRIA資料集HOG
- 利用Hog特徵和SVM分類器進行行人檢測HOG特徵
- 自己訓練SVM分類器進行HOG行人檢測HOG
- OpenCV讀入圖片序列進行HOG行人檢測並儲存為視訊OpenCVHOG
- 在Python中使用OpenCV進行人臉檢測PythonOpenCV
- 微信域名檢測線上批次檢測如何實現?——利用域名檢測api介面實現批次檢測工具教程API
- 自動駕駛系列(二)——環境感知之行人檢測技術自動駕駛
- 基於vlfeat的HOG特徵提取c++程式碼實現HOG特徵C++
- JavaScript人臉檢測的實現方法JavaScript
- 行人闖紅燈監測抓拍系統
- HOG:用於人體檢測的梯度方向直方圖 Histograms of Oriented Gradients for Human DetectionHOG梯度直方圖Histogram
- 用初次訓練的SVM+HOG分類器在負樣本原圖上檢測HardExampleHOG
- Halcon缺陷檢測例項轉OpenCV實現(二) PCB印刷缺陷檢測OpenCV
- 無監督多視角行人檢測 Unsupervised Multi-view Pedestrian DetectionView
- 實時微信域名檢測API介面的實現方式API
- 3分鐘內實現人臉檢測
- 原生javascript實現的檢測字串長度JavaScript字串
- Halcon缺陷檢測例項轉OpenCV實現(三) 物體凸缺陷檢測OpenCV
- 使用SlimYOLOv3框架實現實時目標檢測YOLO框架
- 混合高斯模型實現運動目標檢測(OpenCV內建實現)模型OpenCV
- 使用Dice loss實現清晰的邊界檢測
- 基於opencv實現簡單人臉檢測OpenCV
- 基於Python實現的口罩佩戴檢測Python
- C 實現射線檢測多邊形碰撞
- HTML5 手勢檢測原理和實現HTML
- 利用RGB-D資料進行人體檢測 People detection in RGB-D data
- 異常值檢測!最佳統計方法實踐(程式碼實現)!⛵
- web頁面中接入空號檢測API教程,實現視覺化號碼檢測WebAPI視覺化
- 微信域名檢測的機制原理以及實現方式
- php實現自動化執行環境檢測PHP
- 微信域名檢測實現機制與程式碼分享
- 視訊場景切換檢測的FPGA實現FPGA
- 30秒輕鬆實現TensorFlow物體檢測
- 異常檢測(Anomaly Detection)方法與Python實現Python
- pytorch實現yolov3(5) 實現端到端的目標檢測PyTorchYOLO
- Kafka+Flink 實現準實時異常檢測系統Kafka
- 深度學習 + OpenCV,Python實現實時影片目標檢測深度學習OpenCVPython