Opencv学习笔记 基于HOG和SVM的行人检测

一、概述

        OpenCV提供了一个基于HOG和SVM且经过训练的行人检测器。和级联分类器一样，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。

1、代码参考

        窗口步长决定了这个128×64的模板（getDefaultPeopleDetector()内置的是128×64大小的模板）在图像上移动的方式（这里是水平和垂直方向每次移动4个像素）。

        步长越大，检测速度就越快（因为计算的窗口少），但是可能会丢失窗口之间的行人。填充图像参数只是为了在图像边框上添加一些像素，以便检测到图像边缘的行人。

        SVM分类器的标准阈值是0（1表示正样本，-1表示负样本）。如果你要确保检测到的图片一定有一个人，可以提高阈值（这意味着提高检测准确度，但可能会漏掉一些人）；反之，如果要确保检测到所有行人（即希望有较高的召回率），那就要降低阈值，但这样可能会有更多的错误结果。

        另外有一点很重要，在完整的图像上使用分类器时，会在连续的位置上使用多个窗口，这样就会在正样本附近得到多个检测结果。当同一位置上有两个或两个以上矩形时，最好只保留一个。函数cv::groupRectangles可以把位置相近、大小相似的矩形合并（detectMultiScale会自动调用该函数）。实际上，如果在同一位置检测到多个结果，甚至可以据此判定这个位置真的有正实例。基于这种现象，cv::groupRectangles函数中可以设定一个最小集群值，超过这个值就判定结果为真实的（孤立的检测结果将会被丢