#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:\\b.png", 1); //定义分类器,加载xml文件 CascadeClassifier faceCascade; faceCascade.load("D://hogcascade_pedestrians.xml"); //矩形框数组 vector<Rect> found, found_filtered; //对图像进行多尺度检测 faceCascade.detectMultiScale(img, found, 1.1, 2, 0 //|CASCADE_FIND_BIGGEST_OBJECT //|CASCADE_DO_ROUGH_SEARCH | CASCADE_SCALE_IMAGE, Size(30, 30)); //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; }
上一篇(行人检测3)结尾,小编说要去研究不训练样本,直接加载别人训练好的xml文件。小编已经研究出了结果,代码附上。
注意:之前小编在网上找了一份别人训练好的行人检测xml文件,用以上代码,总会报错,总显示异常。学长说可能是因为找的这个xml文件不支持opencv3.0以上版本,这时小编用的opencv3.2版本。
所以小编去重新下载安装了opencv2.4版本,重新配置了环境变量以及配置vs。这时再运行以上代码,就可以使用别人训练好的xml文件来进行行人测试了。
下面两句,就是加载xml文件的代码:
CascadeClassifier faceCascade;
faceCascade.load("D://hogcascade_pedestrians.xml");
小编也改了多尺度函数的参数:
faceCascade.detectMultiScale(img, found, 1.1, 2, 0
//|CASCADE_FIND_BIGGEST_OBJECT
//|CASCADE_DO_ROUGH_SEARCH
| CASCADE_SCALE_IMAGE,
Size(30, 30));
最后,小编把训练好的xml文件给大家。不过,这个检测行人xml的准确度还不如opencv自带的。如果大家有训练好的xml文件,就可以直接使用我的代码啦。
以后小编会研究怎么训练样本,以后会单独写出训练样本的代码,以及训练+测试的完整代码。
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....
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...
4. **预测与检测**:对新的图像,提取HOG特征,然后使用训练好的SVM模型进行预测,找出可能包含行人的区域。 5. **后处理**:可能需要对预测结果进行非极大值抑制(NMS)以去除重复的检测框,提高检测的准确性。 ...
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、...
在HOG+SVM的应用中,OpenCV提供方便的接口来实现HOG特征的计算和SVM模型的训练与预测。 综上所述,HOG+SVM的结合是计算机视觉领域中的一个强大工具,尤其在目标检测任务中表现出高效率和准确性。OpenCV库为开发者...
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...