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。在最结构层面，我们都有头部，两个手臂，一个躯干和两条腿。

我们可以利用计算机视觉来利用这种 半刚性结构并提取特征来量化人体。这些功能可以传递给机器学习模型，这些模型在训练时可用于 检测 和 跟踪 图像和视频流中的人。这对于行人检测 任务特别有用 ，这是我们今天在博客文章中讨论的主题。

请继续阅读，了解如何使用OpenCV和Python执行 行人检测。

寻找这篇文章的源代码？

跳到下载部分。

行人检测 OpenCV

您是否知道OpenCV具有 执行 行人检测 的内置方法？

OpenCV附带预先训练的HOG +线性SVM模型，可用于在图像和视频流中执行行人检测。如果你不熟悉Oriented Gradients直方图和线性SVM方法，我建议你阅读

第2-8行首先导入我们必要的包。我们将导入 print_function 以确保我们的代码兼容Python 2.7和Python 3(此代码也适用于OpenCV 2.4.X和OpenCV 3).我们 将从我的imutils包中导入 non_max_suppression函数。

如果您没有安装 imutils ，请让 pip 为您安装

$ pip install imutils

如果你 确实安装了 imutils ，你需要升级到最新版本(v0.3.1)，其中包括non_max_suppression 函数的实现 ，以及一些其他的小更新

$ pip install --upgrade imutils

在本文中再次讨论了实现更快的NMS算法。在任何一种情况下，非最大值抑制算法的要点是采用 多个重叠的边界框并将它们减少到只有一个边界框：

图1左)图像中的人员错误地检测到多个边界框。(右)应用非最大值抑制允许我们抑制重叠边界框，使我们得到正确的最终检测。

这有助于减少最终物体探测器报告的误报数量。br/>第11-13行处理解析我们的命令行参数。我们这里只需要一个参数， - images ，这是包含我们将要执行行人检测的图像列表的目录的路径。

最后， 第16和17行初始化了我们的行人探测器。首先，我们调用 hog = cv2.HOGDescriptor() 初始化 Oriented Gradients 描述符的直方图。然后，我们调用 setSVMDetector 将支持向量机设置为预先训练的行人检测器，通过 cv2.HOGDescriptor_getDefaultPeopleDetector() 函数。

此时我们的OpenCV行人探测器已满载，我们只需将其应用于某些图像

在 第20行，我们开始循环遍历images - images 目录中的 图像。此博客文章中的示例(以及本文源代码下载中包含的其他图像)是流行的INRIA Person Dataset(特别是GRAZ-01子集)中的示例。

从那里， 第23-25行 处理从磁盘加载我们的图像并调整其大小以使最大宽度为400像素。我们尝试减少图像尺寸的原因有两个：减少图像尺寸确保了少滑动窗口在图像金字塔需要进行评估(即，已经从提取的HOG特征，然后到线性SVM通过)，从而减少检测时间(并提高总的检测吞吐量)。

调整图像大小也可以提高行人检测的整体准确性(即误报率较低)。

实际上， 通过调用hog 描述符的 detectMultiScale 方法， 由行28和29处理图像中的行人 。该 detectMultiScale 方法构造的图像金字塔与 刻度= 1.05 和的滑动窗口步长大小 (4 ，4 ) 在两个像素X 和 ÿ 方向。

滑动窗口的大小固定为64 x 128像素，正如开创性的Dalal和Triggs论文， (X，Y)的每个人在图像中，并且坐标- 权重 ，由SVM对每个检测返回的置信值。

较大的 比例尺 将评估 图像金字塔中较少的层，这可以使算法更快地运行。然而，具有 太大的比例(即，图像金字塔中的较少层)可能导致未检测到行人。类似地，具有 太小的 比例 尺寸会显着 增加需要评估的图像金字塔层的数量。这不仅会造成计算上的浪费，还会大大增加行人检测器检测到的误报数量。那说， 规模 是执行行人检测时调整的最重要参数之一。我将 在以后的博客文章中对每个参数进行更全面的检查以检测 MultiScale。

第32和33行使用我们的初始边界框并在我们的图像上绘制它们。

但是，对于某些图像，您会注意到 每个人都检测到多个重叠的边界框(如上 图1所示)。

在这种情况下，我们有两个选择。我们可以检测一个边界框是否完全包含在另一个边界框内 (作为一个OpenCV示例实现)。或者我们可以应用非最大值抑制 并 抑制 与重要阈值重叠的边界框 - 这正是 第38和39行所做的。

注意：如果您有兴趣了解有关HOG框架和非最大值抑制的更多信息，我将首先阅读有关6步框架的这篇介绍性文章。从那里，查看这篇关于简单的非最大值抑制的帖子，然后是一个实现优化的Malisiewicz方法的更新帖子 。

在应用非最大值抑制之后，我们在第42和43行绘制最终的边界框， 在第46-48行显示有关图像和边界框数量的一些基本信息 ，最后在第51 - 53 行显示我们的输出图像到我们的屏幕。

图像中行人检测的结果

要查看我们的行人检测脚本，请发出以下命令

$ python detect.py --images images

下面我提供了检测脚本的结果示例：

图2：我们的行人检测脚本的第一个结果。

在这里，我们发现一个人站在一辆警车旁边。

图3：检测前景中的单个人和后台中的另一个人。

在上面的例子中，我们可以看到在图像的前景中检测到一个人，而在后台检测到推婴儿车的女人。

图4：应用非最大值抑制的重要原因示例。

上面的图像提供了为什么应用非最大值抑制很重要的示例。该 detectMultiScale 功能错误检测两个边框(与正确的边框)，两者重叠的真实的人的形象。通过应用非最大值抑制，我们能够抑制无关的边界框，让我们得到真正的检测

图5：演示非最大值抑制作用的第二个例子。

同样，我们看到检测到多个错误边界框，但通过应用NMS，我们可以删除它们，让我们在图像中进行真正的检测。

图6：检测购物中心的行人。

在这里，我们正在检测购物中心的行人。请注意，有两个人正在 离开相机，而另一个人正走向相机。在任何一种情况下，我们的HOG方法都能够检测到人。较大 overlapThresh 在non_maxima_suppression 函数确保了包围盒没有被抑制，尽管它们做部分地重叠。

图7：在模糊图像中检测人物。

我对上面图片的结果特别感到惊讶。通常情况下，HOG描述符在存在运动模糊时表现不佳，但我们仍然能够检测到该图像中的行人。

图8：在户外探测行人，沿着街道行走。

这是多个重叠边界框的另一个例子，但是由于更大的 overlapThresh 它们没有被抑制，留给我们正确的人物检测。

图9：检测一个家庭的四个成员。

上图显示了我们的HOG + SVM行人探测器的多功能性。我们不仅能够发现成年男性，还能够发现三个小孩。(请注意，探测器无法找到隐藏在他[假定为]父亲身后的另一个孩子)。

图10：检测行人描绘。

我最后一次包含这张图片只是因为我发现它很有趣。我们正在清楚地看到一个路标，可能用于指示人行横道。但是，我们的HOG + SVM探测器将此图像中的两个人标记为正面分类！

摘要

在这篇博客文章中，我们学习了如何使用OpenCV库和Python编程语言执行行人检测。

OpenCV库实际上附带了 基于Dalal和Triggs方法的 预训练HOG +线性SVM检测器，可 自动检测图像中的行人。

虽然HOG方法往往比其Haar对应部分更准确，但它仍然需要 正确设置detectMultiScale的参数 。在以后的博客文章中，我将回顾每个参数以检测MultiScale ，详细说明如何调整每个参数 ，并描述准确性和性能之间的权衡。

我希望你喜欢今天的帖子

代码下载

源代码下载

原文链接行人检测 基于 OpenCV 的人体检测​hotdog29.com