【行人检测】检测视频中的行人

    【行人检测】检测视频中的行人

    在上一节检测图片中的行人的基础上,实现检测视频中的行人。

    检测行人的视频可戳:https://download.csdn.net/download/u012679707/11076663

完整程序:

// Hog_SVM_Pedestrian.cpp: 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include<opencv2/core/core.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
#include<opencv2/objdetect.hpp> // include hog
#include<iostream>

using namespace std;
using namespace cv;



void detectAndDraw(HOGDescriptor &hog,Mat &img)
{
	vector<Rect> found, found_filtered;
	double t = (double)getTickCount();
	
	hog.detectMultiScale(img, found, 0, Size(8, 8), Size(32, 32), 1.05, 2);//多尺度检测目标,返回的矩形从大到小排列
	t = (double)getTickCount() - t;
	
  • 5
    点赞
  • 41
    收藏
    觉得还不错? 一键收藏
  • 27
    评论
HOG(方向梯度直方图)和SVM(支持向量机)是常用于视频行人检测的方法。行人检测是指在视频识别出行人的位置和边界框。 HOG是一种特征描述子,用于描述图像的局部形状和边缘信息。它在计算过程将图像划分为小的细胞区域,并计算每个细胞区域的梯度方向直方图。这些直方图捕捉了图像的纹理和边缘特征,能够有效地表示行人的形状。 SVM是一种监督学习算法,用于分类任务。在行人检测,SVM被用于训练一个分类器,能够从图像区分出行人和非行人的特征。SVM通过构建一个最优的超平面来实现分类,将行人特征和非行人特征分离。 在视频进行行人检测时,首先将视频分解为一系列的图像帧。对于每一帧图像,使用HOG特征提取方法获得每个细胞区域的特征向量。然后,将这些特征向量输入到SVM分类器,通过训练好的模型来判断每个细胞区域是否属于行人行人检测的结果可以用边界框来表示行人在图像的位置。当分类器检测到一个行人时,将在对应的位置绘制一个边界框来标记行人的位置。 综上所述,HOG和SVM在视频行人检测起到了关键作用。HOG特征提取从图像提取行人的纹理和边缘特征,SVM分类器通过训练将特征向量分类为行人和非行人。通过将这两种方法结合应用于视频的每一帧图像,可以有效地实现行人检测

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 27
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值