Hog实例

1.计算Hog的特征得维度：

#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/objdetect/objdetect.hpp>
#include <opencv2/imgproc/imgproc.hpp>

using namespace std;
using namespace cv;

#define Posnum   2  //正样本个数
#define Negnum 2    //负样本个数

int main()
{
	char adpos[128], adneg[128];
	HOGDescriptor hog(Size(64, 64), Size(16, 16), Size(8, 8), Size(8, 8), 3);//利用构造函数，给对象赋值。
	int DescriptorDim;//HOG描述子的维数
	Mat samFeatureMat, samLabelMat;
	//依次读取正样本图片，生成HOG描述子
	for (int i = 1; i <= Posnum; i++)
	{
		sprintf_s(adpos, "E:\\VS2015Opencv\\vs2015\\project\\picture\\pos\\%d.png", i);
		Mat src = imread(adpos);//读取图片
		resize(src, src, Size(64, 64));
		vector<float> descriptors;//HOG描述子向量
		hog.compute(src, descriptors);
		if (i == 1)
		{
			DescriptorDim = descriptors.size();
			samFeatureMat = Mat::zeros(Posnum + Negnum, DescriptorDim, CV_32FC1);
			samLabelMat = Mat::zeros(Posnum + Negnum, 1, CV_32FC1);
		}
		for (int j = 0; j<DescriptorDim; j++)
		{
			samFeatureMat.at<float>(i - 1, j) = descriptors[j];
			samLabelMat.at<float>(i - 1, 0) = 1;
		}
	}
	//依次读取负样本图片，生成HOG描述子
	for (int k = 1; k <= Negnum; k++)
	{
		sprintf_s(adneg, "E:\\VS2015Opencv\\vs2015\\project\\picture\\neg\\%d.png", k);
		Mat src = imread(adneg);//读取图片
		resize(src, src, Size(64, 64));
		vector<float> descriptors;//HOG描述子向量
		hog.compute(src, descriptors);
		for (int l = 0; l<DescriptorDim; l++)
		{
			samFeatureMat.at<float>(k + Posnum - 1, l) = descriptors[l];
			samLabelMat.at<float>(k + Posnum - 1, 0) = -1;
		}
	}
	cout << "特征个数：" << samFeatureMat.rows << endl;
	cout << "特征维度：" << samFeatureMat.cols << endl;
	system("pause");
	return 0;
}

　　这是一个很简单的代码；

HOGDescriptor(Size _winSize, ---：窗口大小，即检测的范围大小，前面的64*128
　　　　　　　　Size _blockSize,--- 前面的2*2的cell，即cell的数量，这里要填像素值Size(16,16)
　　　　　　　　Size _blockStride,---每次block移动的步长，以像素计，为一个cell像素块大小
              Size _cellSize, ---cell的大小，前面的8*8
　　　　　　　  int _nbins,     ----直方图的组数
 　　　　　　 　int _derivAperture=1, --梯度计算的参数
　　　　　　　　double _winSigma=-1, --梯度计算的参数
              int _histogramNormType=HOGDescriptor::L2Hys,---归一化的方法
              double _L2HysThreshold=0.2,  
　　　　　　　　bool _gammaCorrection=false,    ---是否要伽马校正
               int _nlevels=HOGDescriptor::DEFAULT_NLEVELS, 
　　　　　　　　　bool _signedGradient=false)

相关函数可参考：HOG：从理论到OpenCV实践

 setSVMDetector 函数

(1)作用：设置线性SVM分类器的系数

(2)函数原型：C++: void gpu::HOGDescriptor::setSVMDetector(const vector<float>& detector) 

detect 函数

(1)作用：用没有多尺度的窗口进行物体检测

(2)函数原型：

C++: void gpu::HOGDescriptor::detect(const GpuMat& img, 

　　　　　　　　　　　　　　　　　　　　　vector<Point>& found_locations, 

　　　　　　　　　　　　　　　　　　　　　double hit_threshold=0, 

　　　　　　　　　　　　　　　　　　　　　Size win_stride=Size(), 

　　　　　　　　　　　　　　　　　　　　　Size padding=Size()

　　　　　　　　　　　　　　　　　　　　　)  

(3)参数注释

<1>img：源图像。只支持CV_8UC1和CV_8UC4数据类型。

<2>found_locations：检测出的物体的边缘。

<3>hit_threshold：特征向量和SVM划分超平面的阀值距离。通常它为0，并应由检测器系数决定。但是，当系数被省略时，可以手动指定它。

<4>win_stride：窗口步长，必须是块步长的整数倍。

<5>padding：模拟参数，使得CUP能兼容。目前必须是(0,0)。

下面是简单调用api进行行人检测：

#include <opencv2/opencv.hpp>
#include <opencv2/objdetect.hpp>
using namespace std;
using namespace cv;

int main()
{
    Mat src, dst;
    src = imread("E:\\VS2015Opencv\\vs2015\\project\\picture\\x1.png", 1);
    if (src.empty())
    {
        printf("can not load the image...\n");
        return -1;
    }
    dst = src.clone();
    vector<Rect> findrects, findrect;
    HOGDescriptor HOG;
    //SVM分类器
    HOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());
    //多尺度检测
    HOG.detectMultiScale(src, findrects, 0, Size(4, 4), Size(0, 0), 1.05, 2);
    //若rects有嵌套,则取最外面的矩形存入rect
    for (int i = 0; i < findrects.size(); i++)
    {
        Rect rect = findrects[i];
        int j = 0;
        for (; j < findrects.size(); j++)
            if (j != i && (rect & findrects[j]) == rect)
                break;
        if (j == findrects.size())
            findrect.push_back(rect);
    }
    //框选出检测结果
    for (int i = 0; i<findrect.size(); i++)
    {
        RNG rng(i);
        Scalar color = Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255));
        rectangle(dst, findrect[i].tl(), findrect[i].br(), color, 2);
    }

    imshow("src", src);
    imshow("dst", dst);
    waitKey();
    return 0;
}