OpenCV中基于HOG特征的行人检测

目前基于机器学习方法的行人检测的主流特征描述子之一是HOG（Histogram of Oriented Gradient, 方向梯度直方图）。HOG特征是用于目标检测的特征描述子,它通过计算和统计图像局部区域的梯度方向直方图来构成特征，用这些特征描述原始图像。

HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。通过将整幅图像分割成小的连接区域（称为cells），每个cell生成一个方向梯度直方图或者cell中pixel的边缘方向，这些直方图的组合可表示出（所检测目标的目标）描述子。

为改善准确率，局部直方图可以通过计算图像中一个较大区域(称为block)的光强作为measure被对比标准化，然后用这个值(measure)归一化这个block中的所有cells.这个归一化过程完成了更好的照射/阴影不变性。与其他描述子相比，HOG得到的描述子保持了几何和光学转化不变性（除非物体方向改变）。因此HOG描述子尤其适合人的检测。

OpenCV实现了两种类型的基于HOG特征的行人检测，分别是SVM和Cascade，下边这个小程序是这两种分类器的简单使用。OpenCV自带的级联分类器的文件的位置在“XX\opencv\sources\data\hogcascades”

#include   
#include   
#include   
#include   
#include 

using namespace std;  
using namespace cv;  

int main()  
{  
	Mat src = imread("E:\\Picture\\person01.jpg",1);  
	vector personSVM, personCasc,personListSVM, personListCacs;//检测结果矩形框向量
	DWORD SVMTimeBegin,SVMTimeEnd,CascTimeBegin,CascTimeEnd;  //耗时统计	

	//方法1，Hog+svm  
	SVMTimeBegin = GetTickCount();  
	HOGDescriptor hog;//HOG特征检测器  
	hog.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());//设置SVM分类器为默认参数     
	hog.detectMultiScale(src, personSVM, 0, Size(2,2), Size(0,0), 1.05, 2);//对图像进行多尺度检测
	SVMTimeEnd=GetTickCount();
	cout<<"HOG+SVM行人检测耗时：\n"<<(SVMTimeEnd-SVMTimeBegin)<load("D:\\ProgramFilesD\\opencv\\sources\\data\\hogcascades\\hogcascade_pedestrians.xml");  
	cascade->detectMultiScale(src, personCasc);  
	CascTimeEnd=GetTickCount();  
	cout<<"HOG+Cascade行人检测耗时：\n"<<(CascTimeEnd-CascTimeBegin)<

SVM和Cascade的检测结果分别用红色和蓝色矩形框标注，检测结果：