opencv实现行人检测（C++）

hog行人检测

本文主要介绍下opencv中怎样使用hog算法，因为在opencv中已经集成了hog这个类。其实使用起来是很简单的，从后面的代码就可以看出来。本文参考的资料为opencv自带的sample。

　关于opencv中hog的源码分析在文末：

　　开发环境：opencv3.10+ubuntu14.04

说明：

　　1. hog描述子在opencv中为HOGDescriptor。

　　2. 可以调用该描述子setSVMDetector方法给用于对hog特征进行分类的svm模型的系数赋值，这里的参数为HOGDescriptor::getDefaultPeopleDetector()时表示采用系统默认的参数，因为这些参数是用很多图片训练而来的。　　

　　3. 对输入图片进行行人检测时由于图片的大小不一样，所以要用到多尺度检测。这里是用hog类的方法detectMultiScale。参数解释如下：

HOGDescriptor::detectMultiScale(const GpuMat& img, vector& found_locations, doublehit_threshold=0, Size win_stride=Size(), Size padding=Size(), double scale0=1.05, int group_threshold=2)

　　该函数表示对输入的图片img进行多尺度行人检测 img为输入待检测的图片；found_locations为检测到目标区域列表；参数3为程序内部计算为行人目标的阈值，也就是检测到的特征到SVM分类超平面的距离;参数4为滑动窗口每次移动的距离。它必须是块移动的整数倍；参数5为图像扩充的大小；参数6为比例系数，即滑动窗口每次增加的比例；参数7为组阈值，即校正系数，当一个目标被多个窗口检测出来时，该参数此时就起了调节作用，为0时表示不起调节作用。

最后对检测出来的目标矩形框，要采用一些方法处理，比如说2个目标框嵌套着，则选择最外面的那个框。
因为hog检测出的矩形框比实际人体框要稍微大些,所以需要对这些矩形框大小尺寸做一些调整。

一、基本思想

上图是目标检测的基本流程。

 HOG属于特征提取，它统计梯度直方图特征。具体来说就是将梯度方向（0->360°）划分为9个区间，将图像化为16x16的若干个block,每个block在化为4个cell（8x8）。对每一个cell,算出每一点的梯度方向和模，按梯度方向增加对应bin的值，最终综合N个cell的梯度直方图形成一个高维描述子向量。实际实现的时候会有各种插值。选用的分类器是经典的SVM。检测框架为经典的滑动窗口法，即在位置空间和尺度空间遍历搜索检测。

二、基本概念

  原始图像打完补丁后就直接用固定的窗口在图像中移动，计算检测窗口下的梯度，形成描述子向量，然后就直接SVM了![这里写图片描述](https://img-blog.csdn.net/20170816213751887?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQveGlhb19fcnVu/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)

三、HOG算法流程

算法流程比较简单：

1、gamma校正

   r=0.5,暗区对比度提高，亮区对比度下降

2、计算梯度

  微分算子[-1 0 1]，取RGB通道中模值最大的为该像素点的梯度。插值策略：对与该点梯度方向相邻的两个bin按距离进行线性插值。

3 、权值

高斯权值：与到block中心负相关，对于图中的大圆圈

cell中心权值：到对称cell中心的“距离”正相关，对应下图中小方块到十字的距离。

这一部分比较复杂，每一个像素点还要对cell插值。

1）F,J,G,K区域内的像素点对四个cell都有贡献，比如P4对cell 0 的权重是倒对称cell中心即cell 3的“距离” P4-cell 3 即图中绿色虚线的“长度”，对其它cell 的权值依次类推

2）B,C,E,I,N,O,H,L区域的像素点要对两个cell中心插值。比如P2虽然处在cell 1中，但是对cell 0 也有贡献，对虚线中的红，绿两个十字所在的cell 也有贡献。那对cell 0的权重计算方法同P4。

取到对称cell 中心的 “距离”，即到绿色中心的“距离”。

3）A，D，M，P，区域的点对周围的四个cell也有贡献，但是block覆盖的只有一个cell,自然只要对其本身所在的cell插值即可。比如P1,到对称cell 中心的“距离”，即图中的cell中心。

但是要注意：cell的编号顺序是从上到下，从左到右，即（cell 0 cell 1 cell 2 cell 3）但是四个cell的偏移量存储顺序却是（cell 0 ->cell 2 ->cell 1->cell 3)

4、归一化

L2 Hys归一化，比较简单

5、获取整个检测窗口内的所有block的梯度直方图组成一个很高很高维的描述子向量

用查表替代了八重循环，大大减少了时间开销。

最笨的方法是依次循环：

1.检测窗口在输入图像中滑动

2.block在检测窗口win中滑动

3.cell在block中滑动

4.在cell中循环获取像素的梯度值

每一层循环都是2维的这样下来就是八重循环…………子子孙孙无穷尽也

作者通过预先计算好的pixData,blockData基本上化为了3重循环。

1.循环图像中的每一个检测窗口win

2.循环检测窗口内的每一个block

3.循环每一个block中的像素点，getblock()

每一层都是一维。

6、SVM分类

 计算到分类超平面的距离

四、HOG算法OpenCV实现流程


#include <iostream>
#include <opencv2/opencv.hpp>  int main(int argc, char** argv)
{  cv::Mat image = cv::imread("test.bmp");  if (image.empty())  {  std::cout<<"read image failed"<<std::endl;  }  // 1. 定义HOG对象  cv::HOGDescriptor hog; // 采用默认参数  // 2. 设置SVM分类器  hog.setSVMDetector(cv::HOGDescriptor::getDefaultPeopleDetector());   // 采用已经训练好的行人检测分类器  // 3. 在测试图像上检测行人区域  std::vector<cv::Rect> regions;  hog.detectMultiScale(image, regions, 0, cv::Size(8,8), cv::Size(32,32), 1.05, 1);  // 显示  for (size_t i = 0; i < regions.size(); i++)  {  cv::rectangle(image, regions[i], cv::Scalar(0,0,255), 2);  }  cv::imshow("hog", image);  cv::waitKey(0);  return 0;
}

opencv实现行人检测（C++）相关推荐

pythonopencv检测行人_Python+OpenCV进行行人检测
Python+OpenCV进行行人检测应用非极大抑制方法,可排除候选的重叠检测使用前环境及库配置我运行的环境为Python3.6(Anaconda3)+OpenCV3,IDE:PyCharm 1 ...
C++ opencv动态行人检测（传统方法）
简述:在一些工业现场及其他环境,使用深度学习的方法进行图像处理是不可行的(原因有成本问题等).也正因如此尽管笔者偏向于python编程,但这次主要做的是C++环境下的行人检测.这里主要采用的是背景板减 ...
基于opencv的行人检测（支持图片，视频）
基于方向梯度直方图(HOG)/线性支持向量机(SVM)算法的行人检测方法中存在检测速度慢的问题,如下图所示,对一张400*490像素的图片进行检测要接近800毫秒,所以hog+svm的方法放在视频中进 ...
【OpenCV流程+代码分析】Opencv HOG行人检测源码分析
[原文:http://blog.csdn.net/ttransposition/article/details/11874285] OpenCV demo演示见本人的另一篇灌水博客 http://bl ...
Opencv HOG行人检测源码分析(二)
前一篇博客大体讲了下思路,对比较难理解的关系有些图示 http://blog.csdn.net/soidnhp/article/details/11874285 /*M/// // // IMPORT ...
OpenCV实战4： HOG+SVM实现行人检测
目前基于机器学习方法的行人检测的主流特征描述子之一是HOG(Histogram of Oriented Gradient, 方向梯度直方图)HOG 特征是用于目标检测的特征描述子,它通过计算和统计图像 ...
opencv canny源码解析_行人检测基于 OpenCV 的人体检测
原文链接行人检测基于 OpenCV 的人体检测 - 热分享hotdog29.com 在 2019年8月1日上张贴由 hotdog发表回复行人检测基于 OpenCV 的人体检测我们都知道 ...
SVM+HOG：利用训练好的XML进行行人检测（检测效果）
说明:HOG+SVM生成的.xml文件不能用人脸的代码进行测试效果,必须用下面的代码才能测试代码. #include <iostream> #include <fstream> ...
利用Hog特征和SVM分类器进行行人检测
1.HOG特征: 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子.它通过计算和统计图像局部区域的 ...

opencv实现行人检测（C++）

opencv实现行人检测（C++）相关推荐

最新文章

热门文章