CV学习：利用opencv进行行人识别（实战）

水果好好吃哦

已于 2023-08-05 21:21:29 修改

阅读量608

点赞数

分类专栏： CV系列文章标签：学习 opencv 人工智能

于 2023-08-04 14:31:19 首次发布

本文链接：https://blog.csdn.net/m0_51485946/article/details/132103578

版权

本文通过Pycharm+python3.7+opencv4.6实现行人识别项目，运用HOG特征提取和SVM模型。实战过程中暴露了基础知识掌握不足、HOG算法理解不深、SVM参数理解不全等问题。虽然存在挑战，如缺少负样本，但整体上仍能完成行人检测。项目总结提到，HOG特征向量用于SVM训练，SVMType选择需根据任务类型，如本项目采用单分类。

摘要由CSDN通过智能技术生成

实战工具：Pycharm+python3.7+opencv4.6

算法知识：HOG特征提取、SVM模型构建

实战目的：本次实战的目的是熟悉HOG+SVM工作流算法，初步掌握图像分类的传统算法。

实战记录：本以为在学习原理、算法应用、动手实操后会很顺利的实现行人检测项目，但实战过程却差强人意，所以结果嘛就马马虎虎了。实战过程中所爆露出的不足有以下几点：

对opencv、numpy、python的基础知识掌握的不够全面、牢固；
对HOG算法的输出数据形式理解不深刻；
对SVM模型的相关参数、函数方法一知半解，特别是数据在svm中的作用、输出更是理解的浅显；网上的有关svm的知识过于零散，导致查相关资料的时候很痛苦。

实战不足：没有收集负样本。

实战评价：虽然坎坎坷坷，但还过得去。

1. 准备工作

本次实战使用的数据是MIT行人数据库（有现成的资料，懒得找啦），该数据库为较早公开的行人数据库，共924张行人图片（ppm格式，宽高为64x128），肩到脚的距离约80象素。该数据库只含正面和背面两个视角，无负样本，未区分训练集和测试集。Dalal等采用“HOG+SVM”，在该数据库上的检测准确率接近100%。该数据库的下载链接见这里。

2. 实战代码

"""
加载并整理数据集-->图像的预处理-->图像的特征提取
-->设计分类器-->输出分类器准确率-->测试图像
"""
import cv2
import random
import glob
import numpy as np


# 加载本地图像数据集，并将数据集全部添加到列表中，然后打乱数据顺序
def load_image(filename):
    paths = glob.glob(filename)
    persons, labels = [], []
    for i in paths:
        persons.append(cv2.imread(i))