OpenCV行人检测

注：本文翻译自：Pedestrian Detection OpenCV。

你知道OpenCV里面已经内置的行人检测方法吗？在OpenCV里面，有一个预先训练好了的HOG+线性SVM模型，能够对图像和视频中的行人进行检测。如果你还不熟悉方向梯度直方图HOG和线性SVM方法，我建议你阅读方向梯度直方图和物体检测这篇文章，在这篇文章中，我对该框架分了6步进行讨论。

如果你已经熟悉了这个过程，或者你仅仅只是想看看OpenCV行人检测的代码，那么现在就打开一个新文件，并将它命名为detect.py，开始我们的编程之旅吧：

 1 # import the necessary packages
 2 from __future__ import print_function
 3 from imutils.object_detection import non_max_suppression
 4 from imutils import paths
 5 import numpy as np
 6 import argparse
 7 import imutils
 8 import cv2
 9
10 # construct the argument parse and parse the arguments
11 ap = argparse.ArgumentParser()
12 ap.add_argument("-i", "--images", required=True, help="path to images directory")
13 args = vars(ap.parse_args())
14
15 # initialize the HOG descriptor/person detector
16 hog = cv2.HOGDescriptor()
17 hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())

第2-8行导入一些我们必要的包，我们导入print_function确保我们的代码同时在Python2.7和Python3上兼容，这样可以使得我们的代码能够在OpenCV2.4.X和OPenCV3上都能够工作，然后，从我的imutils包中我们导入non_max_suppression函数。

如果你还没有安装imutils，可以通过pip来安装：

$ pip install imutils

如果你已经安装了imutils，你需要把它更新到最新版(v0.3.1)，在这个版本里面，包含了non_max_suppression函数的实现，以及其它一些微小的更新：

$ pip install --upgrade imutils

我已经在我的PyImageSearch博客上在两次讲到过非极大抑制(non-maxima suppression)方法，一次是在Python非极大抑制用于物体检测，一篇是在用Python实现更快的非极大抑制，无论是哪一种情形，非极大抑制的宗旨都是获取多个重叠的边框(bounding box)，并且将他们减少至仅有一个边框。

图1：左图有很多检测错误的边框；右图采用非极大抑制后，使得我们可以抑制那些重叠的区域，将正确的边框留下来。

非极大抑制方法可以减少在进行行人检测过程中的假阳率。

第11-13行处理我们命令行传入的参数，这里，我们只需要一个切换--images，用它来传入待检测行人的图像目录。

最后，第16行和17行初始化我们的行人检测器。首先，我们调用hog = cv2.HOGDescriptor()来初始化方向梯度直方图描述子，然后，我们调用setSVMDetector来设置支持向量机(Support Vector Machine)使得它成为一个预先训练好了的行人检测器。

到了这里，我们的OpenCV行人检测器已经完全载入了，我们只需要把它应用到一些图像上：

 1 # import the necessary packages
 2 from __future__ import print_function
 3 from imutils.object_detection import non_max_suppression
 4 from imutils import paths
 5 import numpy as np
 6 import argparse
 7 import imutils
 8 import cv2
 9
10 # construct the argument parse and parse the arguments
11 ap = argparse.ArgumentParser()
12 ap.add_argument("-i", "--images", required=True, help="path to images directory")
13 args = vars(ap.parse_args())
14
15 # initialize the HOG descriptor/person detector
16 hog = cv2.HOGDescriptor()
17 hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())
18
19 # loop over the image paths
20 for imagePath in paths.list_images(args["images"]):
21  # load the image and resize it to (1) reduce detection time
22  # and (2) improve detection accuracy
23  image = cv2.imread(imagePath)
24  image = imutils.resize(image, width=min(400, image.shape[1]))
25  orig = image.copy()
26
27  # detect people in the image
28  (rects, weights) = hog.detectMultiScale(image, winStride=(4, 4),
29      padding=(8, 8), scale=1.05)
30
31  # draw the original bounding boxes
32  for (x, y, w, h) in rects:
33      cv2.rectangle(orig, (x, y), (x + w, y + h), (0, 0, 255), 2)
34
35  # apply non-maxima suppression to the bounding boxes using a
36  # fairly large overlap threshold to try to maintain overlapping
37  # boxes that are still people
38  rects = np.array([[x, y, x + w, y + h] for (x, y, w, h) in rects])
39  pick = non_max_suppression(rects, probs=None, overlapThresh=0.65)
40
41  # draw the final bounding boxes
42  for (xA, yA, xB, yB) in pick:
43      cv2.rectangle(image, (xA, yA), (xB, yB), (0, 255, 0), 2)
44
45  # show some information on the number of bounding boxes
46  filename = imagePath[imagePath.rfind("/") + 1:]
47  print("[INFO] {}: {} original boxes, {} after suppression".format(
48      filename, len(rects), len(pick)))
49
50  # show the output images
51  cv2.imshow("Before NMS", orig)
52  cv2.imshow("After NMS", image)
53  cv2.waitKey(0)

在第20行我们对我们的--images目录下的图像进行循环，这篇博文中使用的例子样本是从INRIA Person Dataset这个很流行的人物库上抽取的，更具体的说，是从GRAZ-01子集中抽取出来的，这些图片存放在源码目录下面了。

第23-25行载入磁盘中的图像，并且将图像裁剪到最大宽度为400个像素，之所以降低我们的图像维度(其实就是之所以对我们的图像尺寸进行裁剪)主要有两个原因：

减小图像的尺寸可以减少在图像金字塔中滑窗的数目，如此可以降低检测的时间，从而提高整体检测的吞吐量。
调整图像的尺寸能够整体提高行人检测的精度，也就是假阳率。

真正对图像中的行人进行检测的代码是在第28行和29行，通过调用detectMultiScale的hog描述子方法。这个detectMultiScale方法构造了一个尺度scale=1.05的图像金字塔，以及一个分别在x方向和y方向步长为(4,4)像素大小的滑窗。

窗口的大小固定在32*128像素大小，这个设置是按照 seminal Dalal和Triggs论文来设置的。detectMultiScale函数会返回一个2-元组的rects，或者是图像中每一个行人的边框坐标(x,y)，以及由SVM在每一次检测中返回的weights置信值(我们一般也成为分数，译者注)。

scale的尺度设置得越大，在图像金字塔中层的数目就越少，相应的检测速度就越快，但是尺度太大会导致行人出现漏检；同样的，如果scale设置得太小，将会急剧的增加图像金字塔的层数，这样不仅耗费计算资源，而且还会急剧地增加检测过程中出现的假阳数目(也就是不是行人的被检测成行人)。这表明，scale是在行人检测过程中它是一个重要的参数，需要对scale进行调参。我会在后面的文章中对detectMultiScale中的每个参数做些调研。

第32行和33行获取我们的初始边框，并将它们在图像上框出来。

不过，你将会看到在一些图像上有的行人框出来的框，有很多重叠的边框，如上面1图所示。

针对这种情况，我们有两种选择。一种选择是检测一个边框是否完全包含了另一个边框(你可以看看OpenV中的一些实现例子)。另外一种选择是应用非极大抑制方法，通过设置一个阈值来抑制那些重叠的边框，这就是第38行和39行所干的事。

注意：如果你想了解更多HOG框架和非极大抑制，我推荐你阅读方向梯度直方图和物体检测。在那篇博文中，你可以查看Python非极大抑制用于物体检测，以及后面更新的Malisiewicz方法。

在应用非极大抑制后，我们在第42行和43行画出最终的边框，在第46-48行中我们展示图像的一些基本信息，以及检测到的边框数目，在第51-53行，在屏幕最终显示我们输入的图像。

行人检测结果

为了看看我们写的行人检测脚本的实际效果，我们只需要执行下面命令：

$ python detect.py --images images

下图是一张行人检测的结果图：

图2：检测效果

上图我们检测到了站在警车旁的单个行人。

图3：在前景和背景中分别检测到了1个人

上面我们可以看到在前景中的男人被检测到了，同时背景中推着婴儿车的女人也检测到了。

图4：一个展示为什么用非极大抑制很重要的例子

图4的例子展示了为什么用非极大抑制很重要。detectMultiScale函数除了将正确的边框检测出来外，还把两个边框边框检测出来了，这两个错误的边框将图像中的行人覆盖了。通过使用非极大抑制，我们可以抑制错误的边框，只留下正确检测的边框。

图5：另一个展示非极大抑制效果的例子

我们再一次可以看到，有很多错误的边框被检测出来了，通过使用非极大抑制，我们可以抑制错误的边框，只留下正确检测的边框。

图6：在一个购物中心检测行人

图6在一个购物中心进行行人检测，图中，有两个人正向摄像头走进，另外一个人正远离摄像头，不管是哪种情形，我们的HOG检测方法都能够准确的检测出行人。在non_maxima_suppression函数中较大的overlapThresh能够确保那些部分重叠了的边框不会被抑制。

图7：在模糊图片中检测行人

老实说，我对上面图片的检测结果有点儿惊讶，因为一般而言HOG描述子在运动模糊的图片上检测效果不是很好，不过在这幅图像上，我们却将行人检测出来了。

图8：在室外街道上检测行人

这里有另外一个多个重叠边框的例子，不过因为我们的overlapThresh设置得比较大，所以这些边框没有被抑制，从而能够将正确的检测结果留下来。

图9：检测一张具有4个成员的家庭的图片

图9的例子展示了HOG+SVM行人检测器的多功能性，我们不仅能够检测到成年的男人，也能够检测到那三个小孩(注意：该检测器不能检测到躲藏在他老爸后面的小孩)。

图10：对路标标识进行行人检测

我将图10放在最后是因为我发觉这非常的有趣，我们可以很清楚的看到这只是一个路标标识，标识表示人行横道，然而，HOG+SVM检测器将它们在图中框出来了，实际上它们却并不是行人。

总结

在这篇博文中，我们已经学到了怎样使用OpenCV的库以及Python来进行行人检测。

实际上OpenCV库已经内置了一个预先训练好了的HOG+线性SVM检测器的模型，它是基于Dalal和Triggs论文里的方法来自动的实现图像中行人的检测。

虽然HOG的方法比Haar counter-part的精度要高，不过它仍需要对detectMultiScale进行合理的设置。在后面的博文中，我会对detectMultiScale中的每一个参数做一个调研，已经怎样调参的细节，并陈述在精度和性能之间的折中。

不管怎么说，我都希望你喜欢这篇博文！我正打算在后面给出更多的关于物体检测的教程，如果你希望这些教程出来后能够获得及时的通知，你可以考虑订阅我的博客。

我已经在PyImageSearch Gurus course里面包含了HOG+线性SVM的物体检测方法，你可以看看。

from: http://yongyuan.name/blog/pedestrian-detection-opencv.html

OpenCV行人检测相关推荐

OpenCV计算机视觉编程攻略之行人检测
OpenCV计算机视觉编程攻略之行人检测,OpenCV 提供了一个基于HOG 和SVM且经过训练的行人检测器,可以用这个SVM 分类器以不同尺度的窗口扫描图像,在完整的图像中检测特定物体. 原图如下: ...
OpenCV实战【2】HOG+SVM实现行人检测
目录 HOG是什么? HOG vs SIFT HOG步骤 HOG在检测行人中的方式 Opencv实现 HOGDescriptor的构造函数: 行人检测HOG+SVM步骤简化版的HOG计算 HOG是什 ...
opencv roberts算子_图像之HOG特征描述算子-行人检测
4.1 简介本次任务将学习一种在深度学习之前非常流行的图像特征提取技术--方向梯度直方图(Histogram of Oriented Gradients),简称HOG特征.HOG特征是在2005年C ...
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 ...
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samp ...
【opencv】(11) 背景建模，帧差法、混合高斯模型，实战：行人检测，附python完整代码和数据集
各位同学好,今天和大家分享一下opencv背景建模相关操作.主要介绍两种背景建模方法,帧差法和混合高斯模型. 案例简介:现有一份路口摄像机拍摄的行人流视频,通过背景建模方法,区分背景和前景,完成行人识 ...
opencv 使用SVM+HOG训练行人检测分类器（INRIA Person Dataset训练集）
目录 1.训练过程(即代码流程) 2.模型及结果优缺点分析 3.模型建立中发现的问题及改进方法 4.行人检测OpenCv 代码(C++) 1.训练过程(即代码流程) 1. 准备训练样本集合: 包括正样 ...
pythonopencv检测行人_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 行人检测基于 OpenCV 的人体检测我们都知道,无论性别,种族或种族如何,我们的身体都具有相同的基本结构. ...

OpenCV行人检测

行人检测结果

总结

OpenCV行人检测相关推荐

最新文章

热门文章