欧美性猛交XXXX免费看蜜桃,成人网18免费韩国,亚洲国产成人精品区综合,欧美日韩一区二区三区高清不卡,亚洲综合一区二区精品久久

基于方向梯度直方圖(HOG)/線(xiàn)性支持向量機(SVM)算法的行人檢測方法中存在檢測速度慢的問(wèn)題，如下圖所示，對一張400*490像素的圖片進(jìn)行檢測要接近800毫秒，所以hog+svm的方法放在視頻中進(jìn)行行人檢測時(shí)，每秒只能檢測1幀圖片，1幀/s根本不能達到視頻播放的流暢性。

本文采用先從視頻每幀的圖像中提取出物體的輪廓（也可以對前后兩針圖片做差，只對有變化的部分進(jìn)行檢測，其目的一樣，都是減少運算的面積），再對每個(gè)輪廓進(jìn)行HOG+SVM檢測，判斷是否為行人?？梢源蟠蟮目s減HOG+SVM的面積，經(jīng)實(shí)測，檢測速度可以達到10幀/S，可以勉強達到視頻流暢的要求。

輪廓的提取用的是cv::findContours的API，感興趣的可以自己去查看相關(guān)資料

首先介紹下方向梯度直方圖。

在圖像或者視頻幀中，邊緣方向密度分布可以很好地描述局部目標的形狀和表象，也就是說(shuō)通過(guò) HOG特征，可以有效地將人體和復雜背景區分出來(lái)。對于行人檢測中 HOG 特征提取的具體實(shí)現方法是: 將視頻中的每一幀通過(guò)滑動(dòng)窗口切割成很小的區域( Cell) ，通過(guò)計算每個(gè)區域面的方向梯度特征，得到每個(gè)區域的方向特征直方圖，小區域再組成更大的區域，通過(guò)將區域的方向梯度特征組合起來(lái)并在塊單元中進(jìn)行歸一化處理，就形成了一個(gè) Block 內 HOG 描述子，遍歷搜索所有的方向特征從而最終構成一個(gè)幀的 HOG 描述特征向量。算法的過(guò)程［3］分為:
①將一個(gè)視頻的每一幀進(jìn)行灰度化處理。把視頻的每一幀彩色空間變成灰度空間，因為 HOG 中不需要彩色信息的幫助。
②對輸入的視頻的每一幀進(jìn)行顏色空間的歸一化。由于視頻中人信息的復雜性，背影的灰暗程度以及光照的影響都對檢測器的魯棒性有一定的影響，歸一化可以很大程度上降低這些的影響。這 里 使 用gamma 校正: 對像素值求其平方根( 降低數值大小) 。
③計算像素梯度。這是 HOG 特征檢測中最重要的一個(gè)環(huán)節，通過(guò)像素的梯度方向直方圖來(lái)描述像素的特征。特別注意的是我們不需要做平滑處理，因為平滑處理的本質(zhì)就是迷糊圖像，降低了像素邊緣信息，因而就不能很好地提取邊緣信息來(lái)表達特征。

④將圖像劃分成小 cell。這一步我們需要為計算梯度，建立梯度方向直方圖定義一個(gè)載體，因此這里把圖像分割成很小的區域，這里稱(chēng)為細胞單元，實(shí)驗表明6 × 6 像素的細胞單元效果最佳。接著(zhù)采用 9 個(gè)直方圖來(lái)統計一個(gè)細胞單元里面的特征信息。360°不考慮
正負方向，把方向分成 9 份，如圖 1 所示，稱(chēng)為 bin，也就是每一個(gè) bin 對應 20°，這樣就把梯度方向映射到直方圖里面，9 個(gè)方向特征向量代表 9 個(gè) bin，增幅就代表每一個(gè) bin 的權值。

⑤統計每個(gè) cell 的梯度直方圖即可形成每個(gè) cell的 descriptor。

⑥將每幾個(gè) cell 組成一個(gè) block，一個(gè) block 內所有 cell 的特征串聯(lián)起來(lái)，便得到該 block 的 HOG 特征descriptor。

⑦將圖像內所有 block 的 HOG 特征收集起來(lái)就可得到該圖像特征向量。

支持向量機

支持向量機( Support Vector Machine) 就是風(fēng)險降低到最小程度上，尋找最優(yōu)的解決方案。視頻檢測特征分類(lèi)中，就是針對低維空間的線(xiàn)性不可分問(wèn)題，通過(guò)核函數映射到高維空間達到線(xiàn)性可分，再進(jìn)行線(xiàn)性分割實(shí)現特征分類(lèi)。
SVM 具有以下幾個(gè)特點(diǎn):
( 1) 小樣本。
( 2) 非 線(xiàn) 性 問(wèn) 題。即針對線(xiàn)性的不可分問(wèn)題，SVM 通過(guò)松弛變量以及核函數進(jìn)行解決。
( 3) 高維模式識別。在某些樣本，例如密集型特征，可以達到幾萬(wàn)甚至十幾萬(wàn)的維數，如果不對樣本進(jìn)行降維，SVM 也能夠找出支持向量樣本，對這些特征訓練出優(yōu)秀的分類(lèi)器。

視頻檢測代碼：

void video_test() {
	void display(Mat, vector<Rect>&);
	//void Crop_picture();
	//void train();
	//void save_hard_example();
	//Crop_picture();     //裁切負樣本圖片，每張負樣本圖片隨機裁成10張
	//train();          //訓練正負樣本
	//save_hardexample()     //根據正負樣本得到的檢測子，對INRIAPerson/Train/neg/中的圖片進(jìn)行測試，并將錯檢的樣本保存
	//train();      //訓練正負樣本及難例樣本
	//加載svm分類(lèi)器的系數
	HOGDescriptor hog; string str;
	vector<float> detector;
	/*ifstream fin("HOGDetectorForOpenCV.txt");
	while (getline(fin, str))
	{
		detector.push_back(stringToNum<float>(str));
	}
*/
	vector<Rect> people;
	VideoCapture capture(VideotestPath);
	/*if (!capture.isOpened())
	return -1;*/
	Mat frame, foreground;
	int num = 0;
	Ptr<BackgroundSubtractorMOG2> mod = createBackgroundSubtractorMOG2();
	while (true)
	{
		vector<Rect> rect6;
		if (!capture.read(frame))
		break;
		mod->apply(frame, foreground, 0.01);
		hog.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());
		//hog.setSVMDetector(detector);
		vector<Rect> rect5;
		display(foreground, rect5);
		vector<Rect> ret = rect5;
		for (auto i = 0; i != ret.size(); i++)
		{
			Mat a = frame;
			if (ret[i].x > 50 && ret[i].y > 50 && ret[i].x + ret[i].width <670 && ret[i].y + ret[i].height < 520)
			{
				ret[i].x = ret[i].x - 50;
				ret[i].y = ret[i].y - 50; ret[i].width = ret[i].width + 100; ret[i].height = ret[i].height + 100;
			}
			Mat src(a(ret[i]));
			cout << ret[i].x << " " << ret[i].y << " " << ret[i].width << " " << ret[i].height << endl;
			// imshow("aa", src); waitKey(0);
			// cv::namedWindow("src", CV_WINDOW_NORMAL);
			if (ret[i].width >= 64 && ret[i].height >= 128)
				hog.detectMultiScale(src, people, 0, Size(4, 4), Size(0, 0), 1.07, 2);
			//cout << people.size()<<endl;
			for (size_t j = 0; j < people.size(); j++)
			{
				people[j].x += ret[i].x; people[j].y += ret[i].y;
				rect6.push_back(people[j]);
				//rectangle(frame, people[j], cv::Scalar(0, 0, 255), 2);
			}
			//imshow(" ", frame); waitKey(0);
		}
		//////因為多尺度檢測得到的結果矩形框較大，按比例縮減矩形框
		for (auto h = 0; h != rect6.size(); h++)
		{
			rect6[h].x += cvRound(rect6[h].width*0.1);
			rect6[h].width = cvRound(rect6[h].width*0.8);
			rect6[h].y += cvRound(rect6[h].height*0.07);
			rect6[h].height = cvRound(rect6[h].height*0.8);
			rectangle(frame, rect6[h], cv::Scalar(0, 0, 255), 1);
			//rect2[h] = boundingRect(frame);
		}
		imshow(" ", frame); waitKey(1);
	}
	waitKey();
}

提取輪廓的代碼：

void display(Mat gray_diff, vector<Rect>& rect)
{
	//Mat res = src.clone();
	vector<vector<Point>> cts;  //定義輪廓數組
	findContours(gray_diff, cts, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE); //查找輪廓,，模式為只檢測外輪廓，并存儲所有的輪廓點(diǎn)
																		//vector<Rect> rect; //定義矩形邊框
	for (int i = 0; i < cts.size(); i++)
	{
		if (contourArea(cts[i])>th_area)       //計算輪廓的面積，排除小的干擾輪廓
			//查找外部矩形邊界
			rect.push_back(boundingRect(cts[i]));   //計算輪廓的垂直邊界最小矩形
	}
	cout << rect.size() << endl;     //輸出輪廓個(gè)數
}

檢測效果：

進(jìn)行HOG+SVM的四個(gè)頂點(diǎn)像素坐標?？梢钥吹矫看芜\算的面積小了很多。

當然 ，是可以?xún)?yōu)化，比如每?jì)蓭瑘D片檢測一次，下一幀圖片保持上一幀的檢測結果。比如輪廓區域的面積怎么去合適的框起來(lái)，如何設定合適的閾值去濾掉小框，兩個(gè)框重疊時(shí)，怎么去優(yōu)化，減小進(jìn)行運算的面積。本文只是給個(gè)思路，具體讀者可以自己去實(shí)現。