美文网首页
目标检测学习_1(用opencv自带hog实现行人检测)

目标检测学习_1(用opencv自带hog实现行人检测)

作者: pxno5 | 来源:发表于2017-10-09 10:49 被阅读0次

    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,可以参考本人的另一篇博客:opencv源码解析之(6):hog源码分析

    开发环境:opencv2.4.2+Qt4.8.2+ubuntu12.04+QtCreator2.5.

    实验功能:

    单击Open Image按钮,选择需要进行人检测的一张图片,确定后自动显示出来。该图片的大小没限制。

    单击People Detect按钮,则程序会自动对该图片进行行人检测,且将检测到的效果显示出来,即用1个矩形框将行人框出来。

    单击Close按钮,退出程序。

    实验说明:

    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, Sizewin_stride=Size(), Sizepadding=Size(), doublescale0=1.05, intgroup_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。

    4.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。5.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。

    实验结果:

    图片1效果:

    图片2效果:

    图片3效果:

    图片4效果:

    实验主要部分代码(附录有工程code下载链接):

    #include"dialog.h"#include"ui_dialog.h"#include#includeDialog::Dialog(QWidget*parent) :

    QDialog(parent),

    ui(newUi::Dialog)

    {

    ui->setupUi(this);

    }

    Dialog::~Dialog()

    {

    delete ui;

    }voidDialog::on_openButton_clicked()

    {

    QString img_mame= QFileDialog::getOpenFileName(this,"Open img","../people", tr("Image Files(*.png *.jpg *.bmp *.jpeg)"));

    img=imread( img_mame.toAscii().data() );

    imwrite("../hog_test.jpg", img);

    ui->textBrowser->setFixedSize(img.cols, img.rows);

    ui->textBrowser->append("");

    }voidDialog::on_detectButton_clicked()

    {

    vectorfound, found_filtered;

    cv::HOGDescriptor people_dectect_hog;//采用默认的已经训练好了的svm系数作为此次检测的模型people_dectect_hog.setSVMDetector(cv::HOGDescriptor::getDefaultPeopleDetector());//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,即测试图片每次尺寸缩放增加的比例;//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。people_dectect_hog.detectMultiScale(img, found,0, Size(8,8), Size(32,32),1.05,2);//从源码中可以看出://#define __SIZE_TYPE__ long unsigned int//typedef __SIZE_TYPE__ size_t;//因此,size_t是一个long unsigned int类型size_t i, j;for(i =0; i < found.size(); i++)

    {

    Rect r=found[i];//下面的这个for语句是找出所有没有嵌套的矩形框r,并放入found_filtered中,如果有嵌套的//话,则取外面最大的那个矩形框放入found_filtered中for(j =0; j

    found_filtered.push_back(r);

    }//在图片img上画出矩形框,因为hog检测出的矩形框比实际人体框要稍微大些,所以这里需要//做一些调整for(i =0; 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(img, r.tl(), r.br(), Scalar(0,255,0),3);

    }

    imwrite("../hog_test_result.jpg", img);

    ui->textBrowser->clear();

    ui->textBrowser->append("");

    }voidDialog::on_closeButton_clicked()

    {

    close();

    }

    实验总结:从实验的结果来看,图片检测的准确率一般,当人体遮挡情况比较严重,且背景比较复杂时,有些误检和漏检。不过程序的检查速度还行,因为源码中用做了些优化处理。

    相关文章

      网友评论

          本文标题:目标检测学习_1(用opencv自带hog实现行人检测)

          本文链接:https://www.haomeiwen.com/subject/csvuyxtx.html