基于Hog+SVM实现小狮子的识别

1从视频中获取图片

安装opencv
pip3 install opencv-python

# 视频分解成图片
# 1 load加载视频 2 读取info 3 解码 单帧视频parse 4 展示 imshow
import cv2
# 获取一个视频打开cap
cap = cv2.VideoCapture('1.mp4')
# 判断是否打开
isOpened = cap.isOpened
print(isOpened)
#帧率
fps = cap.get(cv2.CAP_PROP_FPS)
#宽度
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
#高度
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
print(fps,width,height)

i = 0
while(isOpened):
	if i == 100:
		break
	else:
		i = i+1
	(flag,frame) = cap.read() # 读取每一张 flag读取是否成功 frame内容
	fileName = 'imgs/'+str(i) + '.jpg'
	print(fileName)
	if flag == True:
		#写入图片
		cv2.imwrite(fileName,frame,[cv2.IMWRITE_JPEG_QUALITY,100])
print('end!')

a.全局变量的赋值
b.hog对象的创建
c.SVM分类的创建
d.计算hog以及label标签
e.训练
f.检测

# 1 准备样本 2 训练 3 预测
# 1 样本
#   pos是正样本，包含需要检测的物体 neg是负样本，不包含需要检测的物体
#   图片大小是64*128
#   如何获取样本？ 1 来源于网络 2 源自公司内部 3 自己收集
#   一个好的样本 远胜过一个复杂的神经网络
#   正样本：尽可能的多样 环境多样 干扰多样 820 负样本 1931  1:2或者1:3之间

# 2 训练

# 1.参数 2 hog 3.SVM 4.computer hog 5.label 6.train 7.predicr 8.draw
import cv2
import numpy as np
import matplotlib.pyplot as plt

#1 设置全局变量 在一个windows窗体中有105个block，每个block下有4个cell，每个cell下有9个bin，总共3780维
PosNum = 820 # 正样本的个数
NegNum = 1931 # 负样本的个数
winSize = (64,128) # 窗体大小
blockSize = (16,16) # 105个block
blockStride = (8,8) # block的步长
cellSize = (8,8)
nBin = 9

#2 hog对象的创建
hog = cv2.HOGDescriptor(winSize,blockSize,blockStride,cellSize,nBin)

#3 SVM分类器的创建
svm = cv2.ml.SVM_create()

#4 5 计算hog label
featureNum = int(((128-16)/8+1)*((64-16)/8+1)*4*9)  # 3780
featureArray = np.zeros(((PosNum+NegNum),featureNum),np.float32)
labelArray = np.zeros(((PosNum+NegNum),1),np.int32)
# SVM 监督学习 样本和标签 SVM学习的是image的hog特征
for i in range(0,PosNum):
	fileName = 'pos/'+str(i+1)+'.jpg'
	img = cv2.imread(fileName)
	hist = hog.compute(img,(8,8)) # 当前hog的计算 3780维的数据
	for j in range(0,featureNum):
		featureArray[i,j] = hist[j] # hog特征的装载
	labelArray[i,0] = 1 # 正样本标签为1

for i in range(0,NegNum):
	fileName = 'neg/'+str(i+1)+'.jpg'
	hist = hog.compute(img,(8,8))
	for j in range(0,featureNum):
		featureArray[i+PosNum,j] = hist[j]
	labelArray[i+PosNum,0] = -1 # 负样本标签为-1

# 设置SVM的属性
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setC(0.01)

# 6 train
ret = svm.train(featureArray,cv2.ml.ROW_SAMPLE,labelArray)

# 7 检测（创建myHog--->myDect参数得到-->来源于resultArray（公式得到） rho(训练得到)）

# rho
alpha = np.zeros((1),np.float32)
rho = svm.getDecisionFunction(0,alpha)
print(rho)
print(alpha)

# resultArray
alphaArray = np.zeros((1,1),np.float32)
supportVArray = np.zeros((1,featureNum),np.float32)
resultArray = np.zeros((1,featureNum),np.float32)
alphaArray[0,0] = alpha
resultArray = -1*alphaArray*supportVArray #计算公式

# mydect参数
myDetect = np.zeros((3781),np.float32)
for i in range(0,3780):
	myDetect[i] = resultArray[0,i]
myDetect[3780] = rho[0]

# 构建好myHog
myHog = cv2.HOGDescriptor()
myHog.setSVMDetector(myDetect)

# 待检测图片的加载
imageSrc = cv2.imread('Test.jpg',1)
# 检测小狮子 (8,8)winds的滑动步长 1.05 缩放系数 (32,32)窗口大小
objs = myHog.detectMultiScale(imageSrc,0,(8,8),(32,32),1.05,2)
# 起始位置、宽和高 objs三维信息
x = int(objs[0][0][0])
y = int(objs[0][0][1])
w = int(objs[0][0][2])
h = int(objs[0][0][3])

# 目标的绘制 图片 起始位置 终止位置 颜色
cv2.rectangle(imageSrc,(x,y),(x+w,y+h),(255,0,0))
# 目标的展示
cv2.imshow('dst',imageSrc)
cv2.waitKey(0)