python+opencv3.4.0 实现HOG+SVM行人检测的示例代码

下面我来详细讲解如何使用Python和OpenCV 3.4.0实现HOG+SVM行人检测的示例代码。

1. 安装OpenCV 3.4.0

首先，我们需要安装OpenCV 3.4.0。OpenCV是一个开源的计算机视觉库，可以提供各种图像处理和计算机视觉的功能，包括HOG特征提取和SVM分类器等。我们可以从OpenCV官网下载适合自己系统的安装包，并按照安装说明进行安装。

2. 获取训练数据

如果要实现行人检测，我们需要有训练数据集和测试数据集。OpenCV提供了一个基于INRIA行人数据集的训练和测试数据集，可以从官网下载。也可以使用其他行人数据集进行训练和测试。

3. 使用HOG特征提取

接下来，我们需要使用HOG特征提取器提取图像中的行人特征。具体步骤如下：

1. 加载样本图像，并将其转换成灰度图像。
2. 裁剪图像，保留行人部分，并将其缩放成统一的大小。
3. 对裁剪后的图像提取HOG特征。

HOG特征提取器需要设置一些参数，如图像缩放大小和窗口大小等。可以调整这些参数来优化行人检测的效果。

示例代码如下：

import cv2

img = cv2.imread('person.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
size = (64, 128)
rect = (0, 0, 64, 128)
hog = cv2.HOGDescriptor()
hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())
descriptor = hog.compute(gray, winStride=(8, 8), padding=(0, 0), locations=((0, 0),))

在上面的示例代码中，我们首先加载了一张样本图像person.jpg，然后将其转换为灰度图像gray。接着，我们设置了裁剪后的图像大小为(64,128)，并将裁剪位置设为(0,0)，即裁剪整个图像。然后，我们实例化了一个HOG特征提取器，并设置SVM分类器为默认的people detector。最后，我们使用HOG特征提取器提取了裁剪后图像的HOG特征。

4. 使用SVM分类器进行行人检测

接下来，我们需要使用SVM分类器对提取的HOG特征进行分类，判断该图像是否为行人区域。具体步骤如下：

1. 加载训练好的SVM分类器模型。
2. 对测试图像提取HOG特征，并使用SVM分类器预测该图像是否为行人区域。

示例代码如下：

import cv2

hog = cv2.HOGDescriptor()
hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())
img = cv2.imread('person.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
size = (64, 128)
rect = (0, 0, 64, 128)
descriptor = hog.compute(gray, winStride=(8, 8), padding=(0, 0), locations=((0, 0),))
svm = cv2.ml.SVM_load('svm.xml')
result = svm.predict(descriptor)

在上面的示例代码中，我们首先加载了训练好的SVM分类器模型svm.xml。然后，我们使用前面提到的HOG特征提取器提取了裁剪后图像的HOG特征。最后，我们使用svm.predict()函数预测该图像是否为行人区域。

示例说明

1. 如何裁剪并缩放图像

在上面的示例代码中，我们使用了以下语句将图像裁剪并缩放成(64, 128)的大小。

size = (64, 128)
rect = (0, 0, 64, 128)

其中，size用于指定最终裁剪后的图像大小，rect用于指定裁剪区域。在该示例中，rect的值为(0, 0, 64, 128)，表示裁剪整个图像。

1. 如何设置SVM分类器模型

在上面的示例代码中，我们使用以下语句加载了训练好的SVM分类器模型。

svm = cv2.ml.SVM_load('svm.xml')

在该示例中，SVM分类器模型存储在名为svm.xml的文件中。我们可以手动训练和保存该模型，也可以使用现成的已训练好的模型。