OpenCV running
来源:互联网 发布:软件学着玩 编辑:程序博客网 时间:2024/05/17 06:02
实验说明:
1.hog描述子在opencv中为HOGDescriptor。
2.可以调用该描述子setSVMDetector方法给用于对hog特征进行分类的svm模型的系数赋值,这里的参数为HOGDescriptor::getDefaultPeopleDetector()时表示采用系统默认的参数,因为这些参数是用很多图片训练而来的。
3.对输入图片进行行人检测时由于图片的大小不一样,所以要用到多尺度检测。这里是用hog类的方法detectMultiScale。参数解释如下:
HOGDescriptor::detectMultiScale(constGpuMat& img,vector<Rect>& found_locations,double hit_threshold=0,Size win_stride=Size(),Size padding=Size(),double scale0=1.05,int group_threshold=2)
该函数表示对输入的图片img进行多尺度行人检测 img为输入待检测的图片;found_locations为检测到目标区域列表;参数3为程序内部计算为行人目标的阈值,也就是检测到的特征到SVM分类超平面的距离;参数4为滑动窗口每次移动的距离。它必须是块移动的整数倍;参数5为图像扩充的大小;参数6为比例系数,即滑动窗口每次增加的比例;参数7为组阈值,即校正系数,当一个目标被多个窗口检测出来时,该参数此时就起了调节作用,为0时表示不起调节作用。
4. 最后对检测出来的目标矩形框,要采用一些方法处理,比如说2个目标框嵌套着,则选择最外面的那个框。 5. 因为hog检测出的矩形框比实际人体框要稍微大些,所以需要对这些矩形框大小尺寸做一些调整。
void Dialog::on_detectButton_clicked(){vector<Rect> found, found_filtered; //容器里装着Rect类型数据cv::HOGDescriptor people_dectect_hog;//采用默认的已经训练好了的svm系数作为此次检测的模型 people_dectect_hog.setSVMDetector(cv::HOGDescriptor::getDefaultPeopleDetector());//对输入的图片img进行多尺度行人检测//img为输入待检测的图片;found为检测到目标区域列表;参数3为程序内部计算为行人目标的阈值,也就是检测到的特征到SVM分类超平面的距离;//参数4为滑动窗口每次移动的距离。它必须是块移动的整数倍;参数5为图像扩充的大小;参数6为比例系数,即滑动窗口每次增加的比例;//参数7为组阈值,即校正系数,当一个目标被多个窗口检测出来时,该参数此时就起了调节作用,为0时表示不起调节作用。people_dectect_hog.detectMultiScale(img, found, 0, Size(8, 8), Size(32, 32), 1.05, 2);//从源码中可以看出://#define __SIZE_TYPE__ long unsigned int//typedef __SIZE_TYPE__ size_t;//因此,size_t是一个long unsigned int类型 size_t i, j;for (i = 0; i < found.size(); i++ ){ Rect r = found[i];//下面的这个for语句是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(j = 0; j <found.size(); j++) if(j != i && (r&found[j])==r) //这可求出两个矩形的交集,如果被嵌套在里面则赶紧停止 break; if(j == found.size()) //如果没有被嵌套,则放入容器中 found_filtered.push_back(r);}//在图片img上画出矩形框,因为hog检测出的矩形框比实际人体框要稍微大些,所以这里需要//做一些调整,X坐标增加点,Y坐标增加点,宽度和高度减少点,然后,给出for(i = 0; i <found_filtered.size(); i++){ Rect r = found_filtered[i]; r.x += cvRound(r.width*0.1); r.width = cvRound(r.width*0.8); r.y += cvRound(r.height*0.07); r.height = cvRound(r.height*0.8); rectangle(img, r.tl(), r.br(), Scalar(0, 255, 0), 3); //画方框rectangle( image, pt1, pt2, randomColor(rng), MAX(thickness, -1), lineType );} imwrite("../hog_test_result.jpg", img); ui->textBrowser->clear(); ui->textBrowser->append("<img src="http://archive.cnblogs.com/a/hog_test_result.jpg>");}
- OpenCV running
- OpenCV running
- OpenCV running
- running
- Keep Running
- Running IPv6
- poj running
- Running NWCHEM
- Running Rabbits
- Running Trinity
- POJ Running
- poj3661 Running
- Running OFBiz
- Swift Running
- poj3661 Running
- Running Track
- Running & Being
- [JZOJ4813]running
- zoj 1315.Excuses, Excuses!
- 求三个数中最大的数
- 新浪财经作为策略媒体支撑全程图文直播本次大会
- 《TCP/IP详解-协议》(3)IP协议
- 理解有符号数和无符号数
- OpenCV running
- 动态链接库隐式连接解释
- 17.黑马程序员-继承
- 感悟今天
- poj2407简单题目 http://poj.org/problem?id=2407
- 提取JPEG图片中的EXIF信息
- zoj 3662 Math Magic
- 18.黑马程序员-聚合与组合
- 最短增广路算法