无锡网站建设推荐,手机分销网站公司,五百丁简历官网,优设网logo目录HOG是什么#xff1f;HOG vs SIFTHOG步骤HOG在检测行人中的方式Opencv实现HOGDescriptor的构造函数#xff1a;行人检测HOGSVM步骤简化版的HOG计算HOG是什么#xff1f; 方向梯度直方图( Histogram of Oriented Gradient, HOG )特征是一种在计算机视觉和图像处理中用来进… 目录HOG是什么HOG vs SIFTHOG步骤HOG在检测行人中的方式Opencv实现HOGDescriptor的构造函数行人检测HOGSVM步骤简化版的HOG计算HOG是什么 方向梯度直方图( Histogram of Oriented Gradient, HOG )特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过 计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中。 HOG vs SIFT SIFT :对特征点的描述方法 HOG :对一定区域的特征量的描述方法 1、可以表现较大的形状 2、非常适合行人及车辆检测 假设我们在智能驾驶中要检测行人 正样本 负样本 识别的本质是要找到正样本和负样本最本质的区别。例如行人在肩部具有横向边缘、两臂具有竖向边缘。而非行人样本中的边缘是杂乱无章的。因此可以通过构建梯度的直方图来检测形状。由于直方图损失了空间信息所以HOG将图像分割为一个一个小的区域联系阈值处理中的分块处理法对小的区域分别构建直方图然后拼接得到一个大的直方图。 HOG的缺点 速度慢实时性差难以处理遮挡问题。 HOG特征不具有旋转鲁棒性以及尺度鲁棒性 HOG步骤 1、Gamma矫正增强图像的对比度 2、计算梯度信息 3、以cell一个像素块为单位计算梯度直方图 4、以block几个cell为一个block为单位,对特征量进行归一化 具体步骤 一般来说对梯度方向进行九等分量化。 一般以3* 3的像素组成一个cell这样每个cell就可以得到一个9维的直方图。 每 3*3个cell组成一个block在每个block进行归一化 归一化的目的增强对亮度的鲁棒性。 HOG在检测行人中的方式 通常采用滑窗的方式 计算滑窗中包含的像素的梯度直方图然后与行人模板中的直方图进行对比如利用各种矩当两者十分相似时我们就认为这个区域是行人区域。 从而延生出的问题 由于模板是固定大小的因此只能检测固定大小的行人。当图像中的行人尺寸发生变化时如何使用一个单一的模板检测 Opencv实现 OpenCV实现了两种类型的基于HOG特征的行人检测分别是SVM和CascadeOpenCV自带的级联分类器的文件的位置在“XX\opencv\sources\data\hogcascades”OpenCV4.x版本可用。 opencv自带的人数检测文件所在位置在opencv的安装目录下下面是我的安装位置 D:\Program Files\opencv\sources\samples\cpp HOGDescriptor的构造函数 CV_WRAP HOGDescriptor() : winSize(64,128), blockSize(16,16), blockStride(8,8),cellSize(8,8), nbins(9), derivAperture(1), winSigma(-1),histogramNormType(HOGDescriptor::L2Hys), L2HysThreshold(0.2), gammaCorrection(true),free_coef(-1.f), nlevels(HOGDescriptor::DEFAULT_NLEVELS), signedGradient(false){}窗口大小 winSize(64,128), 块大小blockSize(16,16), 块滑动增量blockStride(8,8), 胞元大小cellSize(8,8), 梯度方向数nbins(9)。 上面这些都是HOGDescriptor的成员变量括号里的数值是它们的默认值它们反应了HOG描述子的参数。 nBins表示在一个胞元cell中统计梯度的方向数目例如nBins9时在一个胞元内统计9个方向的梯度直方图每个方向为180/920度。 HOGDescriptor中有两种Detector分别是getDaimlerPeopleDetector、getDefaultPeopleDetector 行人检测HOGSVM步骤 参考的代码 #include opencv2/objdetect.hpp #include opencv2/highgui.hpp #include opencv2/imgproc.hpp #include opencv2/videoio.hpp #include iostream #include iomanipusing namespace cv; using namespace std;class Detector {//enum Mode { Default, Daimler } m;enum { Default, Daimler };//定义枚举类型int m;HOGDescriptor hog, hog_d; public:Detector(int a) : m(a), hog(), hog_d(Size(48, 96), Size(16, 16), Size(8, 8), Size(8, 8), 9)//构造函数初始化对象时自动调用m,hog,hog_d是数据成员后跟一个放在圆括号中的初始化形式{hog.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());hog_d.setSVMDetector(HOGDescriptor::getDaimlerPeopleDetector());}void toggleMode() { m (m Default ? Daimler : Default); }string modeName() const { return (m Default ? Default : Daimler); }vectorRect detect(InputArray img){// Run the detector with default parameters. to get a higher hit-rate// (and more false alarms, respectively), decrease the hitThreshold and// groupThreshold (set groupThreshold to 0 to turn off the grouping completely).vectorRect found;if (m Default)hog.detectMultiScale(img, found, 0, Size(8, 8), Size(32, 32), 1.05, 2, false);else if (m Daimler)hog_d.detectMultiScale(img, found, 0.5, Size(8, 8), Size(32, 32), 1.05, 2, true);return found;}void adjustRect(Rect r) const{// The HOG detector returns slightly larger rectangles than the real objects,// so we slightly shrink the rectangles to get a nicer output.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);} }; //修改参数区域 static const string keys { help h | | print help message } { camera c | 0 | capture video from camera (device index starting from 0) } { video v | D:/opencv/opencv4.0/opencv4.0.0/sources/samples/data/vtest.avi| use video as input };int main(int argc, char** argv) {CommandLineParser parser(argc, argv, keys); //keys:描述可接受的命令行参数的字符串parser.about(This sample demonstrates the use ot the HoG descriptor.);//设置相关信息。相关信息会在 printMessage 被调用时显示。if (parser.has(help)){parser.printMessage();return 0;}int camera parser.getint(camera);string file parser.getstring(video);if (!parser.check())//检查解析错误。当错误发生时返回true。错误可能是转换错误、丢失参数等。{parser.printErrors();return 1;}VideoCapture cap;if (file.empty())cap.open(camera);elsecap.open(file.c_str());if (!cap.isOpened()){cout Can not open video stream: (file.empty() ? camera : file) endl;return 2;}cout Press q or ESC to quit. endl;cout Press space to toggle between Default and Daimler detector endl;//Default and Daimler detectorDetector detector(1); //初始化使用Daimler detectorMat frame;for (;;){cap frame;if (frame.empty()){cout Finished reading: empty frame endl;break;}int64 t getTickCount();vectorRect found detector.detect(frame);t getTickCount() - t;// show the window{ostringstream buf;buf Mode: detector.modeName() ||| FPS: fixed setprecision(1) (getTickFrequency() / (double)t);putText(frame, buf.str(), Point(10, 30), FONT_HERSHEY_PLAIN, 2.0, Scalar(0, 0, 255), 2, LINE_AA);}for (vectorRect::iterator i found.begin(); i ! found.end(); i){Rect r *i;detector.adjustRect(r);rectangle(frame, r.tl(), r.br(), cv::Scalar(0, 255, 0), 2);}imshow(People detector, frame);// interact with userconst char key (char)waitKey(30);if (key 27 || key q) // ESC{cout Exit requested endl;break;}else if (key ){detector.toggleMode();}}return 0; }简化后的对单张图片的检测 #include opencv2/objdetect.hpp #include opencv2/highgui.hpp #include opencv2/imgproc.hpp #include opencv2/videoio.hpp #include iostream #include iomanipusing namespace cv; using namespace std;class Detector {//enum Mode { Default, Daimler } m;enum { Default, Daimler };//定义枚举类型int m;HOGDescriptor hog, hog_d; public:Detector(int a) : m(a), hog(), hog_d(Size(48, 96), Size(16, 16), Size(8, 8), Size(8, 8), 9)//构造函数初始化对象时自动调用m,hog,hog_d是数据成员后跟一个放在圆括号中的初始化形式{hog.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());hog_d.setSVMDetector(HOGDescriptor::getDaimlerPeopleDetector());}void toggleMode() { m (m Default ? Daimler : Default); }string modeName() const { return (m Default ? Default : Daimler); }vectorRect detect(InputArray img){// Run the detector with default parameters. to get a higher hit-rate// (and more false alarms, respectively), decrease the hitThreshold and// groupThreshold (set groupThreshold to 0 to turn off the grouping completely).vectorRect found;if (m Default)hog.detectMultiScale(img, found, 0, Size(8, 8), Size(32, 32), 1.05, 2, false);else if (m Daimler)hog_d.detectMultiScale(img, found, 0.5, Size(8, 8), Size(32, 32), 1.05, 2, true);return found;}void adjustRect(Rect r) const{// The HOG detector returns slightly larger rectangles than the real objects,// so we slightly shrink the rectangles to get a nicer output.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);} };int main(int argc, char** argv) {Detector detector(1); //初始化使用Daimler detectorMat imgimread(D:\\opencv_picture_test\\HOG行人检测\\timg.jpg);vectorRect found detector.detect(img);for (vectorRect::iterator i found.begin(); i ! found.end(); i){Rect r *i;detector.adjustRect(r); rectangle(img, r.tl(), r.br(), cv::Scalar(0, 255, 0), 2);}imshow(People detector, img);waitKey(0);return 0; }结果 简化版的HOG计算 需要用到的知识点 曼哈顿距离 由于一般的建立数组的方法在【】中填变量是行不通的这里我们采用动态建立数组的方法。在程序返回前必须将内存释放 #include opencv2/opencv.hpp #include opencv2/features2d.hpp #include iostream #include windows.h #include stdio.h #include time.h #include math.h //#include My_ImageProssing_base.h #define WINDOW_NAME1 【程序窗口1】 #define WINDOW_NAME2 【程序窗口2】 using namespace cv; using namespace std; RNG g_rng(12345);Mat src_image; Mat img1; Mat img2;//*--------------------------手动实现HOG描述子-------------------------------------*/ int angle_lianghua(float angle) {int result angle/45;return result; } int main() {//改变控制台字体颜色system(color 02);//读取图像src_image imread(D:\\opencv_picture_test\\HOG行人检测\\hogTemplate.jpg);img1 imread(D:\\opencv_picture_test\\HOG行人检测\\img1.jpg);img2 imread(D:\\opencv_picture_test\\HOG行人检测\\img2.jpg);//出错判断if (!(src_image.data || img1.data || img2.data)){cout image load failed! endl;return -1;}//【1】计算hogTemplate//所有像素计算梯度和角度方向Mat gx, gy;Mat mag, angle; //幅值和角度Sobel(src_image, gx, CV_32F, 1, 0, 1);Sobel(src_image, gy, CV_32F, 0, 1, 1);cartToPolar(gx, gy, mag, angle, false); //false获得的是角度int cellSize 16; //每个cell的大小int nx src_image.cols / cellSize; //每行有几个int ny src_image.rows / cellSize; //每列有几个int cellnums nx * ny; //有几个cellint bins cellnums * 8;float* ref_hist new float[bins];memset(ref_hist, 0, sizeof(float) * bins);int binnum 0;//计算一张图for (int j 0;j ny;j){for (int i 0;i nx;i){//计算每个cell的直方图for (int y j * cellSize;y (j 1) * cellSize;y){for (int x i * cellSize;x (i 1) * cellSize;x){//对角度进行量化int tempangle1 0;float tempangle2 angle.atfloat(y, x); //当前像素的角度值tempangle1 angle_lianghua(tempangle2); //当前cell的角度分量float magnitude mag.atfloat(y, x); //当前像素的幅度值ref_hist[tempangle1 binnum * 8] magnitude; //在数组中加上当前的}}binnum; //cell数目1}}//【2】计算img1//所有像素计算梯度和角度方向Mat gx_img1, gy_img1;Mat mag_img1, angle_img1; //幅值和角度Sobel(img1, gx_img1, CV_32F, 1, 0, 1);Sobel(img1, gy_img1, CV_32F, 0, 1, 1);cartToPolar(gx_img1, gy_img1, mag_img1, angle_img1, false); //false获得的是角度nx img1.cols / cellSize; //每行有几个ny img1.rows / cellSize; //每列有几个cellnums nx * ny; //有几个cellbins cellnums * 8;float* ref_hist_img1 new float[bins];memset(ref_hist_img1, 0, sizeof(float) * bins);binnum 0;//计算一张图for (int j 0;j ny;j){for (int i 0;i nx;i){//计算每个cell的直方图for (int y j * cellSize;y (j 1) * cellSize;y){for (int x i * cellSize;x (i 1) * cellSize;x){//对角度进行量化int tempangle1 0;float tempangle2 angle_img1.atfloat(y, x); //当前像素的角度值tempangle1 angle_lianghua(tempangle2); //当前cell的角度分量float magnitude mag_img1.atfloat(y, x); //当前像素的幅度值ref_hist_img1[tempangle1 binnum * 8] magnitude; //在数组中加上当前的}}binnum; //cell数目1}}//【3】计算img2//所有像素计算梯度和角度方向Mat gx_img2, gy_img2;Mat mag_img2, angle_img2; //幅值和角度Sobel(img2, gx_img2, CV_32F, 1, 0, 1);Sobel(img2, gy_img2, CV_32F, 0, 1, 1);cartToPolar(gx_img2, gy_img2, mag_img2, angle_img2, false); //false获得的是角度nx img2.cols / cellSize; //每行有几个ny img2.rows / cellSize; //每列有几个cellnums nx * ny; //有几个cellbins cellnums * 8;float* ref_hist_img2 new float[bins];memset(ref_hist_img2, 0, sizeof(float) * bins);binnum 0;//计算一张图for (int j 0;j ny;j){for (int i 0;i nx;i){//计算每个cell的直方图for (int y j * cellSize;y (j 1) * cellSize;y){for (int x i * cellSize;x (i 1) * cellSize;x){//对角度进行量化int tempangle1 0;float tempangle2 angle_img2.atfloat(y, x); //当前像素的角度值tempangle1 angle_lianghua(tempangle2); //当前像素的角度分量float magnitude mag_img2.atfloat(y, x); //当前像素的幅度值ref_hist_img2[tempangle1 binnum * 8] magnitude; //在数组中加上当前的}}binnum; //cell数目1}}//【4】分别计算ref_hist_img1和ref_hist\ref_hist_img2和ref_hist的矩int result1 0;int result2 0;for (int i 0;i bins;i){//这里简化运算不计算平方根,而是计算absresult1 abs(ref_hist[i]- ref_hist_img1[i]);result2 abs(ref_hist[i] - ref_hist_img2[i]);}cout result1 endl;cout result2 endl;if (result1 result2){cout img1更与原图相似 endl;}elsecout img2更与原图相似 endl;waitKey(0);delete[] ref_hist;delete[] ref_hist_img1;delete[] ref_hist_img2;return 0; }结果 Reference OpenCV实战4 HOGSVM实现行人检测 HOG detectMultiScale 参数分析 CommandLineParser类命令行解析类 C语法构造函数以及析构函数 《数字图像处理PPT.李竹版》