基于C++、OpenCV与VS2015环境的HOG+SVM行人检测全套项目：含正负样本数据集、...

COpenCVVS2015HOGSVM行人检测项目一整套具体包括以下内容: 1.行人检测数据集正负样本 2.数据集准备模型训练模型测试视频测试和图片测试 3.界面使用Qt搭建可视化交互界面 代码操作流程说明书Word版刚把毕设收尾的HOGSVM行人检测项目翻出来整理了一遍从数据集准备到Qt可视化界面全流程撸完了用的是VS2015OpenCV3.4.10今天就把整个过程唠唠踩过的坑和能用的代码片段都给你们扒出来绝对不整那些干巴巴的论文套话。首先得先搞数据集这是最磨人的一步别嫌麻烦。正样本就是纯行人的图得统一缩成64*128像素这是HOG特征要求的输入尺寸我最开始偷懒没统一结果训练的时候直接报错说特征维度不对差点把我整崩溃。负样本就是不带行人的背景图比如街道、草地、车流啥的数量最好比正样本多一点我当时是1:3的比例大概2000张正样本配6000张负样本负样本找的时候一定要仔细别把行人混进去不然训练出来的模型会瞎识别。给你们看一段批量预处理正样本的代码当时我写了个小脚本干这个活#include opencv2/opencv.hpp #include iostream #include vector #include filesystem // 划重点VS2015默认不支持C17的filesystem记得去项目属性里把C语言标准改成C17或者更高不然编译的时候会报错找不到头文件 namespace fs std::filesystem; int main() { // 原始正样本文件夹和保存路径记得提前建好 std::string src_path ./raw_pos/; std::string save_path ./norm_pos/; if(!fs::exists(save_path)) fs::create_directory(save_path); for(auto entry : fs::directory_iterator(src_path)){ // 只处理jpg和png格式的图其他的跳过 if(entry.path().extension() ! .jpg entry.path().extension() ! .png) continue; cv::Mat img cv::imread(entry.path().string()); if(img.empty()) continue; cv::Mat resize_img; // 统一缩成64*128刚好符合HOG的输入尺寸 cv::resize(img, resize_img, cv::Size(64,128)); std::string save_name save_path entry.path().filename().string(); cv::imwrite(save_name, resize_img); } std::cout 正样本预处理搞定 std::endl; return 0; }这个代码其实挺直白的就是遍历文件夹里的所有图片统一缩成要求的尺寸负样本的预处理也是一样的逻辑只是不用抠图直接用原图缩就行毕竟负样本只要尺寸对就行。COpenCVVS2015HOGSVM行人检测项目一整套具体包括以下内容: 1.行人检测数据集正负样本 2.数据集准备模型训练模型测试视频测试和图片测试 3.界面使用Qt搭建可视化交互界面 代码操作流程说明书Word版接下来是模型训练用OpenCV自带的HOGSVM模块就行不用自己从头写特征提取省了好多事。我写了个封装好的特征提取函数重点来了所有参数必须和后面检测的时候完全一致一个都不能改不然特征维度对不上模型直接废了#include opencv2/opencv.hpp #include opencv2/ml.hpp using namespace cv; using namespace cv::ml; // 提取单张图片的HOG特征 Mat getHogFeature(const Mat img) { HOGDescriptor hog; // 这里的参数必须和检测时的参数完全一致 hog.winSize Size(64,128); hog.blockSize Size(16,16); hog.blockStride Size(8,8); hog.cellSize Size(8,8); hog.nbins 9; std::vectorfloat descriptors; hog.compute(img, descriptors, Size(8,8), Size(0,0)); Mat feature Mat(descriptors).clone(); return feature; }然后训练的主函数大概是这样的int trainModel() { // 先加载所有预处理好的正负样本这里省略遍历文件夹读图片的代码直接给个大概的逻辑 std::vectorMat pos_imgs, neg_imgs; // 读取norm_pos和norm_neg文件夹里的所有图片到vector里 Mat train_data, train_labels; // 正样本标签是1负样本是-1 for(auto img : pos_imgs){ Mat feat getHogFeature(img); if(feat.empty()) continue; // 把每个样本的特征按行拼到训练集里 train_data.push_back(feat); train_labels.push_back(1.0); } for(auto img : neg_imgs){ Mat feat getHogFeature(img); if(feat.empty()) continue; train_data.push_back(feat); train_labels.push_back(-1.0); } // 初始化SVM分类器 PtrSVM svm SVM::create(); svm-setType(SVM::C_SVC); svm-setKernel(SVM::LINEAR); svm-setTermCriteria(TermCriteria(TermCriteria::MAX_ITER | TermCriteria::EPS, 1000, 1e-6)); // 开始训练 svm-train(train_data, ROW_SAMPLE, train_labels); // 保存训练好的模型 svm-save(hog_svm_model.xml); std::cout 模型训练完成已保存 std::endl; return 0; }我当时第一次训练的时候就是改了blockStride的大小结果检测的时候一个行人都没找不出来调了快俩小时才发现是参数没对上血的教训。然后是模型测试单张图片测试的代码就更简单了直接加载模型然后用HOG自带的detectMultiScale来检测这个函数自带非极大值抑制不用自己写省了好多事// 单张图片检测 void detectSingleImg(const std::string img_path) { Mat img cv::imread(img_path); if(img.empty()){ std::cout 图片打不开啊 std::endl; return; } // 加载训练好的模型 PtrSVM svm SVM::load(hog_svm_model.xml); HOGDescriptor hog; // 参数必须和训练的时候完全一致 hog.winSize Size(64,128); hog.blockSize Size(16,16); hog.blockStride Size(8,8); hog.cellSize Size(8,8); hog.nbins 9; // 把SVM分类器加载到HOG里 hog.setSVMDetector(svm-getSupportVectors()); std::vectorRect found; // 检测行人框参数可以自己调比如缩放步长和置信度阈值 hog.detectMultiScale(img, found, 0, Size(8,8), Size(0,0), 1.05, 2); // 把检测到的框画在图上 for(auto rect : found){ cv::rectangle(img, rect, cv::Scalar(0,255,0), 2); } cv::imshow(行人检测结果, img); cv::waitKey(0); }视频检测的话就是用VideoCapture循环读每一帧调用上面的检测逻辑就行// 视频检测支持摄像头和本地视频文件 void detectVideo(const std::string video_path) { cv::VideoCapture cap(video_path); if(!cap.isOpened()){ std::cout 视频打不开 std::endl; return; } PtrSVM svm SVM::load(hog_svm_model.xml); HOGDescriptor hog; // 同样设置参数 Mat frame; while(cap.read(frame)){ if(frame.empty()) break; std::vectorRect found; hog.detectMultiScale(frame, found, 0, Size(8,8), Size(0,0), 1.05, 2); for(auto r : found) cv::rectangle(frame, r, cv::Scalar(0,255,0),2); cv::imshow(视频检测, frame); if(cv::waitKey(30)0) break; } }然后是Qt界面的部分这个是用来做可视化的我当时做了个简单的界面有选图片、选视频、检测的按钮还有显示结果的标签大概的Qt代码片段// Qt的MainWindow类里的槽函数选图片按钮的部分 void MainWindow::on_btn_selectImg_clicked() { QString img_path QFileDialog::getOpenFileName(this, 选择测试图片, ./, 图片文件(*.jpg *.png); if(img_path.isEmpty()) return; // 显示原图 ui-label_origin-setPixmap(QPixmap(img_path)); // 调用检测函数把结果转成QImage显示 Mat img cv::imread(img_path.toStdString()); // 检测代码和之前的一样然后把带框的图转成QImage QImage q_img QImage(img.data, img.cols, img.rows, img.step, QImage::Format_RGB888); ui-label_result-setPixmap(QPixmap::fromImage(q_img.rgbSwapped())); }搭Qt界面的时候还要注意把OpenCV的dll要放到Qt的编译输出目录里不然运行的时候找不到我当时就是把dll直接扔到了exe同目录下才解决的这个问题。最后还整理了一份Word版的操作说明书大概的目录是开发环境配置VS2015配置OpenCV、Qt5.x配置VS2015数据集准备正负样本收集、预处理代码模型训练代码使用说明单张/视频/图片测试代码使用说明Qt界面搭建步骤常见问题解决比如dll找不到、检测不出行人、特征维度不对其实这个项目虽然不算难但是踩过的坑还是挺多的比如一开始没统一样本尺寸、参数不一致、dll找不到这些要是你们也在做这个项目的话可以参考一下我上面的代码有啥问题也可以在评论区唠唠。