目标检测的图像特征提取之(一)HOG特征(转)
检测 图像 目标 特征 特征提取 Hog
2023-09-14 08:57:33 时间
看过很多介绍HOG的博文,讲的最清楚的是这位博主:http://blog.csdn.net/zouxy09/article/details/7929348
代码如下:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/gpu/gpu.hpp> #include <stdio.h> using namespace cv; int main(int argc, char** argv){ Mat img = imread("test.bmp"); vector<Rect> found, found_filtered; 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,即测试图片每次尺寸缩放增加的比例; //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) break; if (j == found.size()) 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 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); } namedWindow("检测行人", CV_WINDOW_AUTOSIZE); imshow("检测行人", img); /* vector<Rect> found; HOGDescriptor defaultHog; defaultHog.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector()); //进行检测 defaultHog.detectMultiScale(img, found); //画长方形,框出行人 for (int i = 0; i < found.size(); i++){ Rect r = found[i]; rectangle(img, r.tl(), r.br(), Scalar(0, 0, 255), 3); } namedWindow("检测行人", CV_WINDOW_AUTOSIZE); imshow("检测行人", img); */ waitKey(0); return 0; }
相关文章
- 使用C++ OpenCV实现椭圆区域检测与Aruco码的生成与检测并估计位姿
- VALDO2021——血管病变检测挑战赛之脑微出血检测(一)
- [Python图像处理] 十七.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算子
- 【说站】java使用JConsole检测死锁
- 目标检测的图像特征提取之(一)HOG特征
- MATLAB图像倾斜校正算法实现:图像倾斜角检测及校正|附代码数据
- 【目标检测】YOLOv5分离检测和识别
- 【Emlog】插件-检测页面是否收录并自动提交百度
- 一种目标检测任务中图像-标注对增强方法
- iOS小技能:打包注意事项(私有API检测)
- Python 图像边缘检测 | 利用 opencv 和 skimage 的 Canny 算法
- Python 检测PE所启用保护方式
- [JCIM | 论文简读] 用于检测β-内酰胺酶-抑制剂相互作用的可转移多通道模型
- 图像边缘检测新方向--量子算法
- 揭开Linux系统入侵检测之谜(linux入侵检测方法)
- 科学家研发的变色线可用于气体检测服装
- Linux轻松实现串口检测:快速找出问题源头(linux检测串口)
- 如何使用Linux检测SD卡?(linux检测sd卡)
- 杜绝“百人在线观看” 检测针孔摄像头的方法来了
- 如何识别上传前检测的图像是有效的方法
- JavaScript中检测变量是否存在遇到的一些问题
- 完美的2个php检测字符串是否是utf-8编码函数分享