在使用cuda进行编程之前，我们不妨再来看看OpenCV中的效果是什么样子的，那么这一次，我将使用OpenCV来进行HOG+SVM的行人检测。
事实上，HOG+SVM在行人检测上的应用在网上已经有了非常丰富的资料，可以说，这个技术相对来说是比较成熟的，那么此次应用OpenCV进行行人检测的实现主要目的如下：
1.了解HOG+SVM在行人检测上的实际效果，并借此熟悉OpenCV中相关程序的编写
2.比较CPU与GPU的运行差别
3.引入我对HOG以及SVM的原理性学习
事实上，我们可以参考http://docs.opencv.org/2.4.9/modules/refman.html（即OpenCV的API档案）来学习OpenCV，并查找你需要的函数，了解各个参数的含义以及使用要求！这次我们调用的是OpenCV中关于gpu detect部分，于是我们可以参考如下：http://docs.opencv.org/2.4.9/modules/gpu/doc/object_detection.html
比如说detectMultiScale函数，如下图所示：
这里要注意padding要是（0，0）！
这里废话就不多说，直接上程序（这里只上gpu程序，普通的cv程序，大家应该都懂）
#include "stdio.h"
#include "opencv2/core/core.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/gpu/gpu.hpp"
#include "opencv2/ml/ml.hpp"
#include "cuda.h"
#include "cuda_runtime_api.h"
using namespace std;
using namespace cv;
using namespace cv::gpu;
int main(int argc, char** argv)
{
cudaSetDevice(0);
cudaFree(0);
size_t j = 0;
int k = 0;
int count = 0;
int avrTime = 0;
for (j = 0; j < 100; ++ j)
{
cout << count << endl;
char img[100] = "";
sprintf(img, "./temp/image%d.jpg", count+1);
cv::Mat image = cv::imread(img);
if (image.empty())
{
std::cout<<"read image failed"<<std::endl;
}
double start = (double)getTickCount();
gpu::GpuMat image_gpu(image);
GpuMat gray_gpu;
gpu::cvtColor(image_gpu, gray_gpu, COLOR_BGR2GRAY);
//Mat gray;
//cvtColor(image, gray, COLOR_BGR2GRAY);
// 1. 定义HOG对象
cv::gpu::HOGDescriptor hog; // 采用默认参数
// 2. 设置SVM分类器
hog.setSVMDetector(cv::gpu::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(gray_gpu, regions, 0, cv::Size(8,8), cv::Size(0,0), 1.05, 1);
double t = ((double)getTickCount() - start)/getTickFrequency();
// 显示
for (size_t i = 0; i < regions.size(); i++)
{
cv::rectangle(image, regions[i], cv::Scalar(0,0,255), 2);
}
cout << "时间: " << t * 1000 <<"ms"<< endl;
avrTime = avrTime + t * 1000;
//char result[100] = "";
//sprintf(result, "./result/image%d.jpg", count+1);
//imwrite(result, image);
imshow("hog", image);
waitKey(1);
count ++;
}
cout << "time is : " << avrTime / 100 <<"ms"<< endl;
return 0;
}
这里为了方便了解算法运行的具体时间，我把测试图（100张）的运行平均时间计算出来，以此为准
可以发现，gpu的运行时间：
若我们把程序改成普通cpu运行（就是把gpu有关的改成普通的函数和mat），运行时间：
注意：上回书说道，第一次运行CUDA是慢的，这里我们把头两句话注释掉：
//cudaSetDevice(0);
//cudaFree(0);
结果如下：
第一次时间果真是要长很多，所以说，这两句话还是必要的，目的是第一次开启CUDA连接，第二次开始速度将变得更快。
这里我使用的训练样本是OpenCV自带的训练样本，HOG特征是其内部完成的，我使用的测试样本是100张连续的行人图片。已上传！
最后得到的结果
接下来，我将会进入到CUDA的学习