行人检测（二）代码解析

   最近要做图像特征提取，可能要用下HOG特征，所以研究了下OpenCV的HOG描述子。OpenCV中的HOG特征提取功能使用了HOGDescriptor这个类来进行封装，其中也有现成的行人检测的接口。然而，无论是OpenCV官方说明文档还是各个中英文网站目前都没有这个类的使用说明，所以在这里把研究的部分心得分享一下。

 

• objdetect/include/opencv2/objdetect.hpp

 

 

 

 

1.  CV_WRAP HOGDescriptor() : winSize(64,128), blockSize(16,16), blockStride(8,8),  
2.         cellSize(8,8), nbins(9), derivAperture(1), winSigma(-1),  
3.         histogramNormType(HOGDescriptor::L2Hys), L2HysThreshold(0.2), gammaCorrection(true),  free_coef(-1.f)
4.         nlevels(HOGDescriptor::DEFAULT_NLEVELS),signedGradient(false)
5.     {} 

  

winSize ： 窗口的大小

blockSize ：块的大小

cellSize： 胞元的大小

nbins： 方向bin的个数 nBins表示在一个胞元（cell）中统计梯度的方向数目，例如nBins=9时，在一个胞元内统计9个方向的梯度直方图，每个方向为360/9=40度。

1.  CV_WRAP HOGDescriptor(Size _winSize, Size _blockSize, Size _blockStride,  
2.                   Size _cellSize, int _nbins, int _derivAperture=1, double _winSigma=-1,  
3.                   int _histogramNormType=HOGDescriptor::L2Hys,  
4.                   double _L2HysThreshold=0.2, bool _gammaCorrection=false,  
5.                   int _nlevels=HOGDescriptor::DEFAULT_NLEVELS)  bool _signedGradient=false)
6.     : winSize(_winSize), blockSize(_blockSize), blockStride(_blockStride), cellSize(_cellSize),  
7.     nbins(_nbins), derivAperture(_derivAperture), winSigma(_winSigma),  
8.     histogramNormType(_histogramNormType), L2HysThreshold(_L2HysThreshold),  
9.     gammaCorrection(_gammaCorrection), free_coef(-1.f),nlevels(_nlevels),signedGradient(_signedGradient) 
10.     {}  
11.  
12. 1.  CV_WRAP HOGDescriptor(const String& filename)  
    2.     {  
    3.         load(filename);  
    4.     }  
    5.   
    6.     HOGDescriptor(const HOGDescriptor& d)  
    7.     {  
    8.         d.copyTo(*this);  
    9.     }  
      virtual ~HOGDescriptor() {}  
13.  我们看到HOGDescriptor一共有4个构造函数，前三个有CV_WRAP前缀，表示它们是从DLL里导出的函数，即我们在程序当中可以调用的函数；最后一个没有上述的前缀，所以我们暂时用不到，它其实就是一个拷贝构造函数。
14. 1.  CV_WRAP size_t getDescriptorSize() const;  
    2.     CV_WRAP bool checkDetectorSize() const;  
    3.     CV_WRAP double getWinSigma() const;  
    4.   
    5.     CV_WRAP virtual void setSVMDetector(InputArray _svmdetector);  
    6.   
    7.     virtual bool read(FileNode& fn);  
    8.     virtual void write(FileStorage& fs, const String& objname) const;  
    9.   
    10.     CV_WRAP virtual bool load(const String& filename, const String& objname=String());  
    11.     CV_WRAP virtual void save(const String& filename, const String& objname=String()) const;  
    12.     virtual void copyTo(HOGDescriptor& c) const;  
    1. CV_WRAP virtual void compute(const Mat& img,  
    2.                          CV_OUT vector<float>& descriptors,  
    3.                          Size winStride=Size(), Size padding=Size(),  
    4.                          const vector& locations=vector()) const;  
    5.     //with found weights output  
    6.     CV_WRAP virtual void detect(const Mat& img, CV_OUT vector& foundLocations,  
    7.                         CV_OUT vector<double>& weights,  
    8.                         double hitThreshold=0, Size winStride=Size(),  
    9.                         Size padding=Size(),  
    10.                         const vector& searchLocations=vector()) const;  
    11.     //without found weights output  
    12.     virtual void detect(const Mat& img, CV_OUT vector& foundLocations,  
    13.                         double hitThreshold=0, Size winStride=Size(),  
    14.                         Size padding=Size(),  
    15.                         const vector& searchLocations=vector()) const;  
    16.     //with result weights output  
    17.     CV_WRAP virtual void detectMultiScale(const Mat& img, CV_OUT vector& foundLocations,  
    18.                                   CV_OUT vector<double>& foundWeights, double hitThreshold=0,  
    19.                                   Size winStride=Size(), Size padding=Size(), double scale=1.05,  
    20.                                   double finalThreshold=2.0,bool useMeanshiftGrouping = false) const;  
    21.     //without found weights output  
    22.     virtual void detectMultiScale(const Mat& img, CV_OUT vector& foundLocations,  
    23.                                   double hitThreshold=0, Size winStride=Size(),  
    24.                                   Size padding=Size(), double scale=1.05,  
    25.                                   double finalThreshold=2.0, bool useMeanshiftGrouping = false) const;  
    26.   
    27.     CV_WRAP virtual void computeGradient(const Mat& img, CV_OUT Mat& grad, CV_OUT Mat& angleOfs,  
    28.                                  Size paddingTL=Size(), Size paddingBR=Size()) const;  
    29.   
    1. CV_WRAP static vector<float> getDefaultPeopleDetector();  
    2.     CV_WRAP static vector<float> getDaimlerPeopleDetector();  
    3.   
    4.     CV_PROP Size winSize;  
    5.     CV_PROP Size blockSize;  
    6.     CV_PROP Size blockStride;  
    7.     CV_PROP Size cellSize;  
    8.     CV_PROP int nbins;  
    9.     CV_PROP int derivAperture;  
    10.     CV_PROP double winSigma;  
    11.     CV_PROP int histogramNormType;  
    12.     CV_PROP double L2HysThreshold;  
    13.     CV_PROP bool gammaCorrection;  
    14.     CV_PROP vector<float> svmDetector;  
    15.     CV_PROP int nlevels;
    16.     CV_PROP bool signedGradient;
    17.     UMat colSvmDector;
    18.     float free_coef ; 
    19. 1.  // evaluate specified ROI and return confidence value for each location  
        2.    void detectROI(const cv::Mat& img, const vector &locations,  
        3.                                    CV_OUT std::vector& foundLocations, CV_OUT std::vector<double>& confidences,  
        4.                                    double hitThreshold = 0, cv::Size winStride = Size(),  
        5.                                    cv::Size padding = Size()) const;  
        6.   
        7.    // evaluate specified ROI and return confidence value for each location in multiple scales  
        8.    void detectMultiScaleROI(const cv::Mat& img,  
        9.                                                        CV_OUT std::vector& foundLocations,  
        10.                                                        std::vector& locations,  
        11.                                                        double hitThreshold = 0,  
        12.                                                        int groupThreshold = 0) const;  
        13.   
        14.    // read/parse Dalal's alt model file  
        15.    void readALTModel(std::string modelfile);  
        16. }; 
        17.  
        18. void groupRectangles(std::vector& rectList,std::vactor & weight, int groupThreshold,double eps) const;
        19. } 

        20.  HOG描述子维度

                  在确定了上述的参数后，我们就可以计算出一个HOG描述子的维度了。OpenCV中的HOG源代码是按照下面的式子计算出描述子的维度的。 

            1. size_t HOGDescriptor::getDescriptorSize() const  
            2. {  
            3.     CV_Assert(blockSize.width % cellSize.width == 0 &&  
            4.         blockSize.height % cellSize.height == 0);  
            5.     CV_Assert((winSize.width - blockSize.width) % blockStride.width == 0 &&  
            6.         (winSize.height - blockSize.height) % blockStride.height == 0 );  
            7.     return (size_t)nbins*  
            8.         (blockSize.width/cellSize.width)*  
            9.         (blockSize.height/cellSize.height)*  
            10.         ((winSize.width - blockSize.width)/blockStride.width + 1)*  
            11.         ((winSize.height - blockSize.height)/blockStride.height + 1);  
            12. }
              

=++++++++++++++++++++++提取 HOG 特征+++++++++++++++++++++++++=

 

参考：

 

 

OpenCV HOGDescriptor 参数图解

 

 

opencv中的 HOGDescriptor 类

Opencv得到HOG特征（HOGDescriptor 的使用）

 

自己训练SVM分类器，进行HOG行人检测。

opencv中的 HOGDescriptor 类

 

目标检测学习_1(用opencv自带hog实现行人检测)