转载请注明出处!!!http://blog.csdn.net/zhonghuan1992
目标检测—HOG特征和OpenCV中的实现
关于HOG特征可以看http://blog.csdn.net/zouxy09/article/details/7929348和http://www.cnblogs.com/tornadomeet/archive/2012/08/15/2640754.html,
关于OpenCV HOGDescriptor参数图解可以参考这里http://blog.csdn.net/raodotcong/article/details/6239431;
现在利用HOG特征来进行行人检测,既然要有了特征,现在其实要有一个方法来判断是否一个图片的某一部分是行人,SVM是一个很好的机器学习方法,可以用来分类,结合HOG特征就可以用来检测图片中的行人。OpenCV中集成了一个方法,getDefaultPeopleDetector等可以直接得到一个SVM的分类器,这个分类器是OpenCV自带的已经训练好的,可以直接拿来使用。下面可以看一下使用它的代码。
OpenCV自带SVM分类器使用:
#include <iostream>
#include <opencv2/opencv.hpp>
using namespace cv;
int main(int argc, char** argv)
{
cv::Mat image = cv::imread("G:\\视频分析入门练习\\视频分析入门练习 - 附件\\testingdata for HOG\\frame_0061.jpg");
if (image.empty())
{
std::cout << "read imagefailed"<< std::endl;
}
// 1. 定义HOG对象
cv::HOGDescriptor hog; // 采用默认参数
// 2. 设置SVM分类器
hog.setSVMDetector(cv::HOGDescriptor::getDefaultPeopleDetector()); // 采用已经训练好的行人检测分类器
// 3. 在测试图像上检测行人区域
std::vector<cv::Rect> regions;
hog.detectMultiScale(image, regions, 0, cv::Size(8, 8), cv::Size(32, 32), 1.05, 1);
// 显示
for (size_t i = 0; i < regions.size(); i++)
{
cv::rectangle(image, regions[i], cv::Scalar(0, 0, 255),2); //对判定是行人的区域画一个正方形标记一下。
}
cv::imshow("hog", image);
cv::waitKey(0);
return 0;
}
结果:
上面使用的OpenCV自带的SVM分类器,但是针对特定应用场景,很有必要进行重新训练得到适合的分类器。实现的代码可以从这里得到:http://download.csdn.net/detail/u013035103/7809229,效果不是很好,个人觉得训练的样本数量有点少,导致这样。