OpenCV_基于HOG特征的行人检测

OpenCV中提供了HOG的行人检测（pedestrain detection）类。

cv::HOGDescriptor类的构造函数的各参数的定义：

 CV_WRAP HOGDescriptor() :
      winSize(64,128),                             // detect window
      blockSize(16,16),                            // block 大小
      blockStride(8,8),                            // overlap block的滑动步长
      cellSize(8,8),                               // cell 大小
      nbins(9),                                    // 直方图的bin个数
      derivAperture(1),                            // 微分算子核
      winSigma(-1),                                // 在window上进行高斯加权
      histogramNormType(HOGDescriptor::L2Hys),     // 直方图归一化类型
      L2HysThreshold(0.2),                         // L2-norm followed by clipping (limiting the maximum values of v to 0.2) and renormalising
      gammaCorrection(true),                       // Gamma校正，去除光照影响
      nlevels(HOGDescriptor::DEFAULT_NLEVELS)      // 分层数

下面的两段代码采用OpenCV中的HOG行人检测类来完成对静态图片中的行人检测。

1）采用64*128 （像素为单位）的detect window

 //  基于HOG特征的行人检测
 //  Author：www.icvpr.com
 //  Blog：  http://blog.csdn.net/icvpr

 #include
 #include


 int main(int argc, char** argv)
 {
     cv::Mat image = cv::imread("test.bmp");
     if (image.empty())
     {
         std::cout<<"read image failed"<
     }


     // 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 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);
     }

     cv::imshow("hog", image);
     cv::waitKey(0);

     return 0;
 }

行人检测实验结果：

  

2）采用48*96（像素为单位）的detect window

 //  基于HOG特征的行人检测
 //  Author： http://blog.csdn.net/icvpr

 #include
 #include


 int main(int argc, char** argv)
 {
     cv::Mat image = cv::imread("test.bmp");
     if (image.empty())
     {
         std::cout<<"read image failed"<
     }


     // 1. 定义HOG对象
     cv::HOGDescriptor hog(cv::Size(48, 96), cv::Size(16, 16), cv::Size(8, 8), cv::Size(8, 8), 9, 1,-1, cv::HOGDescriptor::L2Hys, 0.2, true, cv::HOGDescriptor::DEFAULT_NLEVELS);


     // 2. 设置SVM分类器
     hog.setSVMDetector(cv::HOGDescriptor::getDaimlerPeopleDetector());   // 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 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);
     }

     cv::imshow("hog", image);
     cv::waitKey(0);

     return 0;
 }

行人检测实验结果：

  

相关内容：www.icvpr.com

--------------------------------------------------------

< 转载请注明：http://blog.csdn.net/icvpr >

OpenCV中提供了HOG的行人检测（pedestrain detection）类。

cv::HOGDescriptor类的构造函数的各参数的定义：

 CV_WRAP HOGDescriptor() :
      winSize(64,128),                             // detect window
      blockSize(16,16),                            // block 大小
      blockStride(8,8),                            // overlap block的滑动步长
      cellSize(8,8),                               // cell 大小
      nbins(9),                                    // 直方图的bin个数
      derivAperture(1),                            // 微分算子核
      winSigma(-1),                                // 在window上进行高斯加权
      histogramNormType(HOGDescriptor::L2Hys),     // 直方图归一化类型
      L2HysThreshold(0.2),                         // L2-norm followed by clipping (limiting the maximum values of v to 0.2) and renormalising
      gammaCorrection(true),                       // Gamma校正，去除光照影响
      nlevels(HOGDescriptor::DEFAULT_NLEVELS)      // 分层数

下面的两段代码采用OpenCV中的HOG行人检测类来完成对静态图片中的行人检测。

1）采用64*128 （像素为单位）的detect window

 //  基于HOG特征的行人检测
 //  Author：www.icvpr.com
 //  Blog：  http://blog.csdn.net/icvpr

 #include
 #include


 int main(int argc, char** argv)
 {
     cv::Mat image = cv::imread("test.bmp");
     if (image.empty())
     {
         std::cout<<"read image failed"<
     }


     // 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 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);
     }

     cv::imshow("hog", image);
     cv::waitKey(0);

     return 0;
 }

行人检测实验结果：

  

2）采用48*96（像素为单位）的detect window

 //  基于HOG特征的行人检测
 //  Author： http://blog.csdn.net/icvpr

 #include
 #include


 int main(int argc, char** argv)
 {
     cv::Mat image = cv::imread("test.bmp");
     if (image.empty())
     {
         std::cout<<"read image failed"<
     }


     // 1. 定义HOG对象
     cv::HOGDescriptor hog(cv::Size(48, 96), cv::Size(16, 16), cv::Size(8, 8), cv::Size(8, 8), 9, 1,-1, cv::HOGDescriptor::L2Hys, 0.2, true, cv::HOGDescriptor::DEFAULT_NLEVELS);


     // 2. 设置SVM分类器
     hog.setSVMDetector(cv::HOGDescriptor::getDaimlerPeopleDetector());   // 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 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);
     }

     cv::imshow("hog", image);
     cv::waitKey(0);

     return 0;
 }

行人检测实验结果：

  

相关内容：www.icvpr.com

--------------------------------------------------------

< 转载请注明：http://blog.csdn.net/icvpr >