#include<opencv2/highgui/highgui.hpp> #include<opencv2/imgproc/imgproc.hpp> #include<opencv2/objdetect.hpp> #include<iostream> using namespace std; using namespace cv; int main(int argc, char **argv) { Mat img; //读取图片 img = imread("D:\\c.png", 1); //HOG特征检测器 HOGDescriptor defaultHog; //设置SVM分类器 defaultHog.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector()); //矩形框数组 vector<Rect> found, found_filtered; //对图像进行多尺度检测 defaultHog.detectMultiScale(img, found, 0, Size(8, 8), Size(32, 32), 1.05, 2); //detectMultiScale(const Mat& image,CV_OUT vector<Rect>& objects,double scaleFactor = 1.1,int minNeighbors = 3,int flags = 0,Size minSize = Size(),Size maxSize = Size()); //待检测图片,被检测物体的矩形框向量组,搜索窗口的比例系数, //输出矩形个数 cout << "矩形个数:" << found.size() << endl; // 找出所有没有嵌套的矩形框r,并放入found_filtered中,如果有嵌套的话,则取外面最大的那个矩形框放入found_filtered中 for (int i = 0; i < found.size(); i++) { Rect r = found[i]; int j = 0; for (; j < found.size(); j++) if (j != i && (r & found[j]) == r) //按位与操作 break; if (j == found.size()) found_filtered.push_back(r); } cout << "过滤后矩形的个数:" << found_filtered.size() << endl; //画出矩形框 for (int i = 0; i<found_filtered.size(); i++) { Rect r = found[i]; rectangle(img, r.tl(), r.br(), Scalar(0, 255, 0), 3); } namedWindow("Detect pedestrain", WINDOW_AUTOSIZE); imshow("Detect pedestrain", img); waitKey(0); return 0; }
小编又回来了,没办法代码bug太多了。小编用上一篇(行人检测2)的代码,测试了另一张图片,发现行人检测又出现了新的问题。结果如下图所示。
于是,小编又去撩了撩度娘,查看了许多别人的代码,发现detectMultiScale()函数的参数,我没有设置完全,但别人的detectMultiScale()函数的设置都是一致的。所以小编在上一篇的代码中补上了参数,具体如下:
defaultHog.detectMultiScale(img, found, 0, Size(8, 8), Size(32, 32), 1.05, 2);
和上一篇的代码相比,小编就改了这一句。改后的完整代码看上面。
改完后,小编又测试了一下上面的图片,结果如下,准确的检测出了3个人。
但是只检测一张图片怎么能够呢?于是小编又检测了第一篇(行人检测1)的图片,结果如下,虽然没有出现第一次的大窗口内有小窗口的问题,但是却还是多出了一个框。
这个新出来的问题,真是让小编心力交瘁。又去问了导师,导师说,应该是opencv自带的训练器的结果不准,可以自己训练样本,或者直接加载别人训练好的xml文件。小编的电脑带不起训练,只能希望直接加载别人训练好的xml文件。在网上找了许多代码,大都是训练样本后再加载XML文件的。没有现成的、不需要训练、直接加载别人训练好的XML文件的代码。有样本训练的代码又太过复杂,小编也看不懂。
小编去研究代码了,下次再说。
相关推荐
OPENCV行人检测HOG+SVM检测视频中是否有人.zip资源matlab opencv运动目标检测程序资料OPENCV行人检测HOG+SVM检测视频中是否有人.zip资源matlab opencv运动目标检测程序资料OPENCV行人检测HOG+SVM检测视频中是否有人....
OpenCV行人检测4(HOG+SVM)是一个利用计算机视觉技术进行行人检测的教程,它主要依赖于两种关键算法:Histogram of Oriented Gradients (HOG) 和 Support Vector Machines (SVM)。在这个主题中,我们将深入探讨这两...
本项目聚焦于使用C++编程语言实现基于HOG(Histogram of Oriented Gradients,方向梯度直方图)特征和SVM(Support Vector Machine,支持向量机)分类器的行人检测算法。下面将详细解释HOG特征提取、SVM模型训练以及...
OPENCV行人检测HOG+SVM检测视频中是否有人 OPENCV行人检测HOG+SVM检测视频中是否有人 OPENCV行人检测HOG+SVM检测视频中是否有人 OPENCV行人检测HOG+SVM检测视频中是否有人 OPENCV行人检测HOG+SVM检测视频中是否有人
这种方法特别适合于检测行人的轮廓和姿态,因为它能够捕捉到人体边缘和结构的关键信息。 SVM是一种监督学习模型,用于分类和回归分析。在行人检测中,SVM被用作分类器,训练出一个模型来区分行人和非行人图像块。...
在这个特定的案例中,"hog.svm_hog_hogsvm_HOG+SVM_SVM小狮子_hog+SVM_"标题暗示了我们正在处理的是一个针对小狮子的分类任务。小狮子的图像可能具有丰富的纹理和形状变化,这使得HOG特征尤为适用。 在"hog.svm.py...
通过这个过程,我们可以构建一个基于HOG+SVM的图像分类系统,例如行人检测。OpenCV提供了方便的接口,使得开发者能够快速实现这一技术。需要注意的是,实际应用中还需要考虑优化和调参,以适应不同的应用场景和需求...
本项目专注于使用Python实现行人检测,结合HOG(Histogram of Oriented Gradients)特征和SVM(Support Vector Machine)分类器进行训练和检测。下面将详细介绍这两个核心技术以及如何将它们结合应用于行人检测。 ...
HOG+SVM算法由Navneet Dalal和Bill Triggs在2005年的CVPR会议上提出,成为行人检测领域的里程碑式算法。HOG,即Histogram of Oriented Gradients,是一种用于特征提取的技术,它通过计算和积累图像中像素块的梯度...
以上就是根据给定文件信息所能提取到的关于OpenCV目标跟踪、行人检测以及HOG+SVM在视频中检测行人存在的知识点。这些技术的结合为计算机视觉领域的实时监控和智能分析提供了强大的技术支持。随着技术的发展和改进,...
在"opencv视频行人检测2(HOG+SVM)"这个主题中,我们将深入探讨如何使用OpenCV来实现行人检测,主要涉及的技术是Histogram of Oriented Gradients(HOG)特征和Support Vector Machines(SVM)分类器。 **HOG特征...
标题 "opencv视频行人检测1(HOG+SVM)" 涉及到的是计算机视觉领域的一个经典应用,即使用OpenCV库进行行人检测。OpenCV是一个开源的计算机视觉和机器学习软件库,提供了丰富的功能来处理图像和视频数据。在这个项目...
基于OpenCV 通过HOG+SVM训练INRIAPerson行人数据库进行行人检测源码+使用文档+全部资料(优秀项目)基于OpenCV 通过HOG+SVM训练INRIAPerson行人数据库进行行人检测源码+使用文档+全部资料(优秀项目) 【备注】 1、...
3. **HOG+SVM结合**: - **特征匹配**:HOG特征向量与SVM分类器结合,用于目标检测。HOG提取出图像中的关键特征,而SVM则负责学习这些特征并进行分类。 - **训练过程**:使用已知类别标签的样本集,计算每个样本的...
标题中的“自己hog+svm训练过程”指的是使用Histogram of Oriented Gradients (HOG) 特征和Support Vector Machine (SVM) 分类器进行行人检测的实践过程。HOG特征是计算机视觉领域中用于物体检测,特别是行人检测的...
标题中的“HOG+SVM实现数字识别”是指利用Histogram of Oriented Gradients(方向梯度直方图)特征和Support Vector Machines(支持向量机)算法进行数字的检测与识别。这一技术常应用于图像处理和计算机视觉领域,...
标题中的“hog+svm行人检测分类器训练”指的是在计算机视觉领域中,使用Histogram of Oriented Gradients(HOG)特征和Support Vector Machines(SVM)算法进行行人检测的训练过程。HOG是一种用于物体检测的特征提取...
标题中的“HOG+SVM训练集和测试集分开写的”是指使用Histogram of Oriented Gradients(HOG)特征和Support Vector Machine(SVM)分类器进行物体检测时,将数据集划分为训练集和测试集两个部分。这种方法是机器学习...