文件列表:

CMakeLists.txt (709, 2017-06-14)
HOGDetectorForOpenCV.txt (39703, 2017-06-14)
HardExample_FromINRIA_NegList.txt (86218, 2017-06-14)
INRIANegativeImageList.txt (22802, 2017-06-14)
INRIAPerson96X160PosList.txt (40868, 2017-06-14)
ImgProcessed.jpg (67883, 2017-06-14)
MORE.md (3219, 2017-06-14)
NoPersonFromINRIAList.txt (231420, 2017-06-14)
SVM_HOG.xml (65040, 2017-06-14)
Test.jpg (32975, 2017-06-14)
crop_image.cpp (1720, 2017-06-14)
dataset.h (1100, 2017-06-14)
find_save_HardExample.cpp (5733, 2017-06-14)
image_detect.cpp (5852, 2017-06-14)
main.cpp (11747, 2017-06-14)
my_svm.h (631, 2017-06-14)
peopledetect.cpp (3019, 2017-06-14)
video_detect.cpp (5249, 2017-06-14)

# HOG+SVM进行行人检测 > 运行环境为:Ubuntu 16.04 && OpenCV 2.4.13 > 代码参考自:http://blog.csdn.net/masibuaa/article/details/16105073 > INRIA Person数据库下载: 【[相关说明](http://pascal.inrialpes.fr/data/human/)】 >【直接下载地址(970M)】ftp://ftp.inrialpes.fr/pub/lear/douze/data/INRIAPerson.tar ## 开始前的准备工作 开始前建立文件夹用于存储正负样本和HardExample,正样本图片直接复制INRIA中的正样本图片,负样本图片通过裁剪得到。 ```shell $ mkdir -p dataset/pos dataset/neg dataset/HardExample $ cp INRIAPerson/96X160H96/Train/pos/* dataset/pos/ ``` ## 编译出可执行文件 ```shell $ cmake . $ make ``` > 也可以在命令行使用`g++`编译出可执行文件,例如 ```shell $ g++ -o CropImage crop_image.cpp $(pkg-config opencv --cflags --libs) $ g++ -o SvmTrainUseHog main.cpp $(pkg-config opencv --cflags --libs) $ g++ -o GetHardExample find_save_HardExample.cpp $(pkg-config opencv --cflags --libs) $ g++ -o ImageDetect image_detect.cpp $(pkg-config opencv --cflags --libs) $ g++ -o VideoDetect video_detect.cpp $(pkg-config opencv --cflags --libs) $ g++ -o PeopleDetect peopledetect.cpp $(pkg-config opencv --cflags --libs) ``` ## 第一步,裁剪出负样本图片 INRIA中有1218张负样本图片,`CropImage`从每一张图片中随机裁剪出10张大小为***x128的图片,最终总共会得到12180张图片,存储在dataset/neg文件夹中。上面已经编译出了可执行文件,直接通过`CropImage`裁剪出负样本图片。 ```shell $ ./CropImage ``` ## 第二步,使用正负样本进行训练 先修改 `dataset.h` 里面参数,将 `TRAIN` 由 `false` 改为 `true` , 以进行训练,参数修改后需通过 `make` 重新编译可执行文件,然后通过 `SvmTrainUseHog` 开始训练。 ```shell $ make $ ./SvmTrainUseHog ``` 到这里已经得到了 `SVM_HOG.xml` 可以用来进行检测,但是检测效果不太好,所以下面加入 HardExample 来进行进一步训练。 ## 第三步,得到HardExample 通过 `GetHardExample` 从 INRIA 原始的负样本图片中检测出 HardExample ,图片会保存到 dataset/HardExample ```shell $ ./GetHardExample ``` ## 第四步,将正负样本和HardExample一起重新进行训练 将 HardExample 图片列表写入文件 `HardExample_FromINRIA_NegList.txt` , 修改 `dataset.h` 里面的参数,将 `HardExampleNO` 由 `0` 改为第三步中得到的图片数目,修改后通过 `make` 重新编译可执行文件,最后通过 `SvmTrainUseHog` 重新训练。 ```shell $ ls dataset/HardExample/ >HardExample_FromINRIA_NegList.txt $ make $ ./SvmTrainUseHog ``` ## 至此训练完成。 检测示例图片:  ## 其它说明 * `SVM_HOG.xml`为最终训练好的SVM分类器 * `ImageDetect`可对图片进行检测 * `VideoDetect`可对视频进行检测 * `PeopleDetect`为OpenCV默认参数的行人检测程序 ## [More](https://github.com/icsfy/Pedestrian_Detection/blob/master/MORE.md)

近期下载者：

相关文件：

评论：[我要评论] [举报此文件]

收藏者：