图像特征与目标检测1-HOG

HOG实现过程：

1灰度化（将图像看做一个x,y,z(灰度）的三维图像）

2采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）

3计算图像每个像素的梯度（包括大小和方向）

4将图像划分为cells

5统计每个cell的梯度直方图（不同梯度的个数），得到cell的描述子

6将每几个cell组成一个block，得到block的描述子 

7将图像image内的所有block的HOG特征descriptor串联起来就可以得到HOG特征，该特征向量就是用来目标检测或分类的特征。

 

import cv2
import numpy as np
#判断矩形i是否完全包含在矩形O中
def is_inside(o,i):
    ox,oy,ow,oh = o
    ix,iy,iw,ih = i
    return ox > ix and oy > iy and ox+ow < ix + iw and oy +oh < iy + ih
#对人体绘制颜色框
def draw_person(image,person):
    x,y,w,h = person
    cv2.rectangle(image,(x,y),(x+w,y+h),(0,255,255),2)
img = cv2.imread("test5.jpg")
hog = cv2.HOGDescriptor()
hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())
found,w = hog.detectMultiScale(img,0.1,(1,1))
print(found)
print(w)
#丢弃某些完全被其他矩形包含在内的矩形
found_filtered=[]
for ri,r in enumerate(found):
    for qi,q in enumerate(found):
        if ri != qi and is_inside(r,q):
            break
    else:
        found_filtered.append(r)
        print(found_filtered)
#对不包含在内的有效矩形进行颜色框定
for person in found_filtered:
    draw_person(img,person)
cv2.imshow("people detection",img)
cv2.waitKey(0)
cv2.destroyAllWindows()

 结果：

 

 

原图来源：百度图库 

步长为(1,1)时候： 

代码中由 

 

(1,1)->(2,2)

改成（3，3）结果如下：

 

改成（7，7），据说。。最多检测5人。