hog是一个基于梯度的直方图提取算法,最初用于行人检测,效果拔群。之后DPM的出现将行人(目标)检测的准确率产生了巨大的提升。HOG特征提取在opencv2.2+版本里面已经实现。我的另外一篇博客推荐了几个很好的关于理解hog特征的博客。
以下在推荐两个:
http://blog.csdn.net/raocong2010/archive/2011/03/11/6239431.aspx
本文中介绍了opencv中HOGDescriptor构造函数各个参数的含义。
从另外我从http://blog.csdn.net/yangtrees/article/details/7471222 上找来了一段代码。即是使用HOG + SVM 进行图像分类。虽然没有太多注释,但逻辑还是很清楚的。我根据他的代码,把程序中的一些功能函数化了。具体有以下三个文件:
1. hog_svm.h (声明了一些函数)
2. hog_svm.cpp(函数具体实现, 主要内容都在这里)
3. main.cpp(测试程序)
注:在main函数中,trainNames.txt中保存着训练集图像的地址,trainLabels.txt中保存对应的训练集图像标签
testNames.txt中保存测试集图像的地址。
1.hog_svm.h
<span style="font-size:14px;">#ifndef HOG_SVM_
#define HOG_SVM_
#include <opencv2/core/core.hpp>
#include <opencv2/ml/ml.hpp>
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;
namespace hog_svm {
vector<float> extractHOGFeature(const Mat & src);
/*
imgList 为包含所有训练图像路径的文本文件
labelList是与它对应的图像的标签
labelList中图像的标签由整型数字表示
返回值为指向CvSVM的指针 (为啥不直接返回CvSVM对象,因为函数返回对象时需要调用复制构造函数,但CvSVM的复制构造函数是private的)
*/
CvSVM* getHOGSVM(string imgList, string labelList);
/*
这函数不用了,别看了
imgPath 中存储所有图像的路径
imgCatg中存储与图像所对应的标签
dataMat是提取特征后的矩阵, resMat为图像的标签,两者都是每行对应一张图想
void extractHOGFeature(const vector<string> & imgPath, const vector<int> & imgCatg,
Mat & dataMat, Mat & resMat);
*/
//返回值为float类型
float svmPredict(CvSVM * hogSvm, const Mat & image);
}
#endif</span>
#include "hog_svm.h"
#include <opencv2/core/core.hpp>
#include <iostream>
#include <fstream>
#include <vector>
#include <string>
using namespace std;
using namespace cv;
const int hog_svm_ImageHeight = 256;
const int hog_svm_ImageWidth = 256;
vector<float> hog_svm::extractHOGFeature(const Mat & src)
{
Mat tempImg;
resize(src, tempImg, Size(hog_svm_ImageWidth, hog_svm_ImageHeight));
HOGDescriptor *hog = new HOGDescriptor(Size(hog_svm_ImageWidth, hog_svm_ImageHeight),
Size(16, 16), cvSize(8, 8), cvSize(8, 8), 9);
//存储特征计算结果
vector<float> descriptors;
hog->compute(tempImg, descriptors, Size(1, 1), Size(0, 0));
return descriptors;
}
//这个接口设计的不好
/*
void hog_svm::extractHOGFeature(const vector<string> & imgPath, const vector<int> & imgCatg,
Mat & dataMat, Mat & resMat)
{
Mat src, tempImg;
resMat = Mat::zeros(imgPath.size(), 1, CV_32FC1);
for (int i = 0; i < imgPath.size(); i++)
{
src = imread(imgPath[i], CV_LOAD_IMAGE_COLOR);
resize(src, tempImg, Size(hog_svm_ImageWidth, hog_svm_ImageHeight));
HOGDescriptor *hog = new HOGDescriptor(Size(hog_svm_ImageWidth, hog_svm_ImageHeight),
Size(16, 16), cvSize(8, 8), cvSize(8, 8), 9);
//存储特征计算结果
vector<float> descriptors;
hog->compute(tempImg, descriptors, Size(1, 1), Size(0, 0));
if (0 == i)
dataMat = Mat::zeros(imgPath.size(), descriptors.size(), CV_32FC1);
//存储计算后的特征值和标签
for (int inn = 0; inn < descriptors.size(); inn++)
dataMat.at<float>(i, inn) = descriptors[inn];
resMat.at<float>(i, 0) = imgCatg[i];
}//for int i
}
*/
CvSVM* hog_svm::getHOGSVM(string imgList, string labelList)
{
///1.将图像路径和标签存储到向量中/
ifstream imgListStream(imgList);
ifstream labelListStream(labelList);
vector<string> imgPath;
vector<int> imgCatg;
string imgItemPath;
int imgItemCatg;
while (imgListStream >> imgItemPath)
{
labelListStream >> imgItemCatg;
imgPath.push_back(imgItemPath);
imgCatg.push_back(imgItemCatg);
}
imgListStream.close();
labelListStream.close();
///2.对图像resize后,提取图像的HOG特征/
Mat src, tempImg;
Mat dataMat, resMat = Mat::zeros(imgPath.size(), 1, CV_32FC1);
for (int i = 0; i < imgPath.size(); i++)
{
src = imread(imgPath[i], CV_LOAD_IMAGE_COLOR);
//存储特征计算结果
vector<float> descriptors = extractHOGFeature(src);
if (0 == i)
dataMat = Mat::zeros(imgPath.size(), descriptors.size(), CV_32FC1);
//存储计算后的特征值和标签
for (int inn = 0; inn < descriptors.size(); inn++)
dataMat.at<float>(i, inn) = descriptors[inn];
resMat.at<float>(i, 0) = imgCatg[i];
}//for int i
///3,SVM参数设置//
/*
SVM种类:CvSVM:C_SVC 如果数据线性不可分的话就用这个
Kernel种类:LINEAR (无核函数)
*/
CvSVM *hogSvm = new CvSVM();
CvSVMParams params;
params.svm_type = CvSVM::C_SVC;
params.kernel_type = CvSVM::LINEAR;
params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 500, 1e-6);
int featureLength = dataMat.cols;
///4.训练SVM///
hogSvm->train(dataMat, resMat, Mat(), Mat(), params);
return hogSvm;
}
float hog_svm::svmPredict(CvSVM * hogSvm, const Mat & image)
{
vector<float> descriptors = extractHOGFeature(image);
int featureLength = descriptors.size();
Mat predictMat = Mat::zeros(1, featureLength, CV_32FC1);
for (int i = 0; i < featureLength; i++)
predictMat.at<float>(0, i) = descriptors[i];
return (hogSvm->predict(predictMat));
}
3.main.c
#include <iostream>
#include <string>
#include <fstream>
#include "hog_svm.h"
#include <opencv2/core/core.hpp>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
using namespace hog_svm;
int main()
{
CvSVM* svm = getHOGSVM("trainNames.txt", "trainLabels.txt");
ifstream fin("testNames.txt");
ofstream fout("predictRes.txt");
string str;
int kase = 0;
while (fin >> str)
{
Mat image = imread(str, CV_LOAD_IMAGE_COLOR);
float res = svmPredict(svm, image);
fout << res << endl;
cout << ++kase << " 个测试结束" << endl;
}
system("pause");
return 0;
}
文章浏览阅读2w次,点赞7次,收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加 外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案,在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建:添加Visual C++ , Win32 项目这......_c#调用lib
文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体,挺好看的。注重颜值的网站都会使用,例如知乎:font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang
文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--action,当提交表单时,向何处发送表单中的数据,地址可以是相对地址也可以是绝对地址--><!--method将表单中的数据传送给服务器处理,get方式直接显示在url地址中,数据可以被缓存,且长度有限制;而post方式数据隐藏传输,_html表单的处理程序有那些
文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证(即Google Authenticator服务)后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器
文章浏览阅读4.3k次,点赞5次,收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距
文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节,实现了多层数据的堆叠,为用户 提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制(CoW)策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的,不建议用于生成环境。_docker 保存容器
文章浏览阅读834次,点赞27次,收藏13次。网络拓扑结构是指计算机网络中各组件(如计算机、服务器、打印机、路由器、交换机等设备)及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式,也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn
文章浏览阅读1.8k次,点赞5次,收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时,通常的做法是:new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的,而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠,也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑,需要做一些额外的特殊处理,笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数,一劳永逸,避免每次ne_date.prototype 将所有 ios
文章浏览阅读5.3k次。方法一:用PLSQL Developer工具。 1 在PLSQL Developer的sql window里输入select * from test for update; 2 按F8执行 3 打开锁, 再按一下加号. 鼠标点到第一列的列头,使全列成选中状态,然后粘贴,最后commit提交即可。(前提..._excel导入pl/sql
文章浏览阅读83次。Git常用命令速查手册1、初始化仓库git init2、将文件添加到仓库git add 文件名 # 将工作区的某个文件添加到暂存区 git add -u # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,不处理untracked的文件git add -A # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,包括untracked的文件...
文章浏览阅读202次。分享119个ASP.NET源码总有一个是你想要的_千博二手车源码v2023 build 1120
文章浏览阅读1.8k次。版权声明:转载请注明出处 http://blog.csdn.net/irean_lau。目录(?)[+]1、缺省构造函数。2、缺省拷贝构造函数。3、 缺省析构函数。4、缺省赋值运算符。5、缺省取址运算符。6、 缺省取址运算符 const。[cpp] view plain copy_空类默认产生哪些类成员函数