OpenCV HOG行人检测怎么结果不对呢?

Python+OpenCV+HOG+SVM+行人检测 项目做得很多,机器学习,深度学习也搞了不少,对于图像的方面,现在就行人检测有关HOG+SVM这一块,做一下总结,当然也有车辆检测等等...这里就以行人检测为例做一个介绍: HOG:梯度直方图的缩写,涉及到Window大小,Block大小,Block的滑动步长,Cell大小和Bin大小(通常为9,360度等分9份),目的就是获取到Window中所有滑动后的block的cell的梯度直方图,组成特征... 阅读详情

用OpenCV自带的HOG进行行人检测,结果应该是把行人圈出来,可是结果神马也没有啊,是怎么回事?

部分代码如下:

// TODO: Add your control notification handler code here
 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);
  cvRectangle(img, r.tl(), r.br(), cv::Scalar(0,255,0), 3);
 }
 ResizeImage(img);
 ShowImage(img,IDC_ShowImage);//显示图片
 

不知问题出在哪里??

利用Hog特征和SVM分类器进行行人检测 之前介绍过Hog特征(http://blog.youkuaiyun.com/carson2005/article/details/7782726),也介绍过SVM分类器(http://blog.youkuaiyun.com/carson2005/article/details/6453502 );而本文的目的在于介绍利用Hog特征和SVM分类器来进行行人检测。         在2005年CVPR上,来自法国的研究人员 阅读详情

相关推荐

Opencv HOG行人检测 源码分析(一)

OpenCV demo演示见本人的另一篇博客 一、基本概念 二、HOG算法流程 算法流程比较简单: 1.gamma校正        r=0.5,暗区对比度提高,亮区对比度下降 2.计算梯度       微分算子[-1 0 1],取RGB通道中模值最大的为该像素点的梯度。       插值策略:对与该点梯度方向相邻的两个bin进行线性插值。 3 权值    高斯权值:与

Note of Transposition 2万+

人体检测HOG特征 Finding People in Images and Videos

1. Introduction Any given class has ahuge intra-class variation. 任何类的类内距离都可能很大。 Challenges: Firstly, the imageinformation process suppresses 3-D depth information and creates dependencieson viewpo

梧桐细雨2012 3565

OpenCV_基于HOG特征的行人检测

OpenCV中提供了HOG的行人检测(pedestrain detection)类。 cv::HOGDescriptor类的构造函数的各参数的定义: CV_WRAP HOGDescriptor() : winSize(64,128), // detect window blockSize(16,16),

2万+

opencv行人检测

准确度呵呵!

qq_16377055的博客 964

VS+Opencv3.3下用HOG+SVM实现INRIA行人检测

利用SVM训练一个分类器,用训练好的分类器对测试集里的数据进行检测。 这里是数据下载地址:INRIA行人数据集 点击页面下方的蓝色here即可下载。 下载完成之后,解压缩(为方便操作,建议放于项目目录下或者是根目录下,我这里是放在了D盘下面),进入文件夹,打开Train,有neg负样本,pos正样本。负样本的尺寸是437X292的,所以需要先处理一下,才能够进行训练。下面是处理代码(这里默认...

AI前行之路 7589

OpenCV4学习笔记(43)——基于HOG特征检测与SVM线性分类器的行人检测模型

今天要整理记录的内容是关于HOG特征检测和SVM线性分类器在OpenCV中的联合使用,并实现OpenCV自带的一个演示案例——行人检测。 图像的HOG特征 那么先来了解一下什么是图像的HOG特征,HOG(Histogram of Oriented Gradient——面向梯度直方图)特征的大致计算方式如下: 1、对图像使用默认Size(64,128) 的窗口win进行开窗,在该窗口中选择默认的...

邱小兵的博客 2838

使用开源工具OpencvsharpHelper测试Hog + svm机器学习效果

关于OpencvsharpHelper

tfarcraw的博客 1356

HOG+SVM实现行人检测

一、概述 行人检测过去流行采用的方法是DPM方法,其主要采用hog特征+SVM分类实现行人检测; 其中梯度方向直方图( Histogram of Oriented Gradients,HOG)的概念是 Dalal和Triggs在2005年提出,并将其用于行人检测, 该方法在 MIT行人数据库上获得近乎 100% 的检测成功率;在包含视角、 光照和背景等变化的 INRIA 行人数据库上,也取得了...

yph001的博客 4852

Opencv运用训练好的SVM分类器进行行人检测(效果不理想

#include #include #include   #include #include #include #include #include #include "opencv2/opencv.hpp"   #include "opencv2/video/background_segm.hpp"   #include     #include    

weixin_36368407的博客 1291

OpenCVSharp的目标检测

目标检测是计算机视觉中的一项重要任务,旨在识别和定位图像或视频中的特定目标。目标检测技术在不断发展,从传统方法到深度学习方法,性能不断提升。在实际应用中,需要根据具体需求选择合适的方法,并使用恰当的性能评估指标来评估模型的优劣。

仰望星空的博客 1494

OpenCV实例(六)行人检测

行人检测是目标检测的一个分支。目标检测的任务是从图像中识别出预定义类型目标,并确定每个目标的位置。用来检测行人的目标检测系统被称为行人检测系统。行人检测主要用来判断输入图片(或视频)内是否包含行人。若检测到行人,则给出其具体的位置信息。该位置信息是智能视频监控、人体行为分析、智能驾驶、智能机器人等应用的关键基础。由于行人可能处于移动状态,也可能处于静止状态,且外观容易受到体型、姿态、衣着、拍摄角度、遮挡等多种因素的影响,因此行人检测在计算机视觉领域内成为研究热点与难点。

小幽余生不加糖 9815

Opencv实现行人检测(HOG + SVM)

1. 理论基础 使用OpenCv进行行人检测的主要思想: HOG + SVM HOG: 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。HOG特征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. SVM: (Support Vector Machine)指的是支持向量机,是...

YancyKahn 2万+

Ubuntu 22.04下Minkowski Engine编译避坑指南:解决Cuda 12.2与Pytorch cu118版本冲突

本文详细介绍了在Ubuntu 22.04系统中解决Minkowski Engine编译时Cuda 12.2与Pytorch cu118版本冲突的实用方法。通过修改版本检查逻辑、创建兼容符号链接等技巧,帮助开发者顺利完成编译,并提供了性能优化建议和替代方案,确保三维点云处理任务的高效运行。

weixin_42543309的博客 162

OpenCV实战【2】HOG+SVM实现行人检测

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HOG+SVM步骤 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...

hanhan的博客 3168

使用bandersnatch搭建pypi 本地镜像源(20211026)

需求背景:公司内网不能联网,同时开发工作需要各种python的模块,因此需要搭建一个pypi的本地镜像源。 参考网上的方法,总结了大致有下面几种方式搭建pypi本地源: devpi: 企业内网利用devpi搭建pypi私服 - 简书 pip2pi: https://yangfannie.com/1439.html pypiserver: https://zhongneng.github.io/2019/02/16/creat-pip/ bandersnatch:基于bandersnatch搭...

liurizhou的博客 6468

Claude Code插件安装与VSCode深度集成实战指南

Claude Code是一款专为IDE设计的AI编程助手插件,其核心价值在于将自然语言意图转化为可运行代码,从而优化开发者认知带宽分配。它依赖Node.js运行时、git版本上下文和VSCode编辑器API三者协同工作,技术原理涉及本地进程通信、权限策略绕过、上下文感知补全等关键机制。该工具显著提升工程效率,适用于CLI开发、EXIF元数据处理、异步逻辑生成等典型JavaScript/TypeScript应用场景。本文聚焦Claude Code插件在VSCode中的真实落地链路,覆盖Windows/macO

weixin_34006468的博客 474

OpenCV实战4: HOG+SVM实现行人检测

目前基于机器学习方法的行人检测的主流特征描述子之一是HOG(Histogram of Oriented Gradient, 方向梯度直方图)HOG 特征是用于目标检测的特征描述子,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,用这些特征描述原始图像。 HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。通过将整幅图像分割成小的连接区域(...

知识搬运工的博客 1万+

保姆级教程:用COMSOL LiveLink™ for MATLAB 玩转自定义PDE,从理论到仿真一条龙

本文详细介绍了如何利用COMSOL LiveLink™ for MATLAB实现自定义PDE的从理论到仿真的完整流程。通过PDE模块与MATLAB的无缝集成,用户可以灵活处理非标准偏微分方程,适用于材料建模、传热传质验证等多物理场耦合研究。教程涵盖环境配置、方程标准化、界面操作及高级应用技巧,为工程仿真研究者提供原子级控制方案。

weixin_34098209的博客 355

【OpenCV】视频行人检测

视频行人检测系统,能够分割出多个行人。 环境:VS2017 + OpenCV3.4.1 1 实现图片行人检测 步骤: (1)定义HOG对象 (2)设置SVM分类器 (3)在测试图像上检测行人区域 (4)显示图片 2 实现视频行人检测 步骤: (1)初始化参数 (2)设置SVM分类器 (3)在测试图像上检测行...

iefenghao的博客 1万+

手把手教你用AirSim和Unreal4在Ubuntu上创建自定义无人机仿真场景

本指南详细介绍了如何在Ubuntu系统上使用AirSim和Unreal Engine 4搭建高精度无人机仿真环境。从硬件配置、驱动安装到Unreal Engine编译和AirSim集成,手把手教你创建自定义场景,适用于算法验证和开发测试。

y7z8a的博客 258

手把手教您如何在飞牛NAS上部署OpenClaw(Clawdbot/Moltbot)智能助手,接入钉钉,0成本使用(万字保姆级教程)

想在飞牛NAS上部署一个24小时待命的AI助手?🤖 本文手把手教您如何在飞牛NAS上部署一个完全免费的OpenClaw智能助手 ✅

XiaoqiangClub的博客 7232

Opencv之HOG特征与SVM相结合的人体检测

Hi洛基又回来了,最近正在学习计算机视觉和机器学习,这两门课程都要求做课程设计,于是我想到了这个一举两得(偷懒- -)的题目。 首先来说说图像处理领域的HOG特征: HOG(histogram of oriented gradient) 是用于目标检测的特征描述子,由Navneet Dalal和Bill Triggs于05年在CVPR首次提出,是用于静态图像或视频行人检测的实用

sinat_34604992的博客 8966

【nerfStudio】1-在windows上安装nerfStudio

安装Git。安装Visual Studio 2022。在安装CUDA之前必须完成此步骤。必须在“桌面开发与C++”工作流程(在BuildTools版本中称为“C++构建工具”)中包含所需的组件。Nerfstudio要求。我们建议使用conda来管理依赖关系。在继续之前,请确保安装了Conda。 依赖关系 PyTorch 请注意,如果安装了低于2.0.1的PyTorch版本,则应卸载先前版本的pytorch、functorch和tiny-cuda-nn。 基于CUDA 11.8的Torch 2.0.1 安装基

dlhlSC的博客 1692

OpenCV3特征提取与目标检测之HOG(三)——使用HOG加SVM训练自己的行人检测模型

这是传统算法利用Hog进行特征提取和用SVM作为分类器,来实现行人检测。Hog加SVM是速度和效果综合平衡性能较好的一种行人检测方法。

知来者逆的博客 7865

Cesium 实现气象(温度,降水,风速)可视化详细代码实现

本教程介绍了使用Cesium实现气象数据可视化的方法,主要包括:1) 搭建Cesium开发环境;2) 三种核心气象要素的展示技术:温度热力图(基于颜色渐变和点密度)、降水区域填充(矩形着色)和风速风向(粒子系统);3) 数据集成方案,包括模拟数据生成和API对接;4) 高级功能如3D温度柱和时间序列动画;5) 性能优化策略,如数据聚合和LOD控制。教程提供了完整的代码示例,从基础配置到视觉效果实现,帮助开发者构建交互式气象可视化应用。

专注AI大模型,软件混淆,授权 1853

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

行人检测(一)python+OpenCV实现

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结 前言 提示:这里可以添加本文要记录的大概内容: 例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。 提示:以下是本篇文章正文内容,下面案例可供参考 一、pandas是什么? 示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码

lbjbs的博客 1万+

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

上一篇: MFC界面(二)Radio Button 单选框
luowanying
博客等级 码龄16年 2粉丝 3原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值