fanfuhan OpenCV 教學102 ~ opencv-102-HOG特徵描述子之提取描述子

資料來源: https://fanfuhan.github.io/

https://fanfuhan.github.io/2019/05/21/opencv-102/

GITHUB:https://github.com/jash-git/fanfuhan_ML_OpenCV

對於HOG特徵，我們可以通過預先訓練的特徵數據，進行多尺度的對象檢測，OpenCV中基於HOG的行人檢測是一個典型案例，同時我們還可以實現自定義對象的檢測，這種自定義對象檢測，可以分為兩個部分，第一部分：通過提取樣本的HOG描述子，生成樣本的特徵數據，第二部分通過SVM進行分類學習與訓練，保存為模型。這樣我們以後就可以通過模型來實現自定義對象檢測啦。今天我們首先分享第一部分，提取HOG描述子。

C++

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main(int argc, char** argv) {
	Mat src = imread("D:/images/gaoyy_min.png");
	if (src.empty()) {
		printf("could not load image..\n");
		return -1;
	}
	imshow("input", src);
	HOGDescriptor hog;
	vector<float> features;
	hog.compute(src, features, Size(8, 8), Size(0, 0));
	
	printf("feature sum size :%d \n", features.size());
	for (int i = 0; i < features.size(); i++) {
		printf("v: %.2f\n ", features[i]);
	}
	imshow("result", src);
	waitKey(0);
	return 0;
}

Python

"""
HOG特征描述子之提取描述子
"""

import cv2 as cv

src = cv.imread("images/test.png")
# 对输入图像预处理
src = cv.resize(src, (72, 128))
print("shape of image: ", src.shape)

hog = cv.HOGDescriptor()
# 先变成灰度图像再进行描述子计算
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
des = hog.compute(gray, winStride=(8, 8), padding=(0, 0))
print("提取的描述子数量：", len(des))
print("描述子：")
print(des)

cv.waitKey(0)
cv.destroyAllWindows()