C++使用opencv調(diào)用級(jí)聯(lián)分類器來(lái)識(shí)別目標(biāo)物體的詳細(xì)流程

第C++使用opencv調(diào)用級(jí)聯(lián)分類器來(lái)識(shí)別目標(biāo)物體的詳細(xì)流程目錄前言：流程講解：1.創(chuàng)建一個(gè)級(jí)聯(lián)分類器對(duì)象2.創(chuàng)建一個(gè)視頻流3.將傳入的視頻幀轉(zhuǎn)換為灰度圖4.將多余的空通道進(jìn)行壓縮5.直方圖均衡化6.調(diào)用級(jí)聯(lián)分類器,并將內(nèi)容框出,然后將此幀顯示出來(lái)總結(jié)使用編譯器：QtCreator4.2.1

前言：

相較于幀差法捕捉目標(biāo)物體識(shí)別，級(jí)聯(lián)分類器識(shí)別目標(biāo)物體更加具有針對(duì)性，使用前者只要是動(dòng)的物體都會(huì)被捕捉識(shí)別到，畫(huà)面里有一點(diǎn)風(fēng)吹草動(dòng)，都會(huì)被捕捉識(shí)別下來(lái)，如果我想識(shí)別具體的人或者物，都無(wú)法做到精準(zhǔn)的目標(biāo)識(shí)別，所以有了級(jí)聯(lián)分類器識(shí)別（即模型識(shí)別），會(huì)按照訓(xùn)練好的級(jí)聯(lián)分類器（模型）來(lái)進(jìn)行目標(biāo)識(shí)別

流程講解：

1.創(chuàng)建一個(gè)級(jí)聯(lián)分類器對(duì)象

創(chuàng)建一個(gè)級(jí)聯(lián)分類器對(duì)象，并讀取已經(jīng)已經(jīng)訓(xùn)練好的模型

CascadeClassifiercascade;//級(jí)聯(lián)分類器(模型)

cascade.load("D:/Qt_Opencv_Project/cars.xml");//讀取級(jí)聯(lián)分類器

2.創(chuàng)建一個(gè)視頻流

讀取一個(gè)要識(shí)別的視頻路徑

Matframe;

VideoCapturecap("D:/VideoTraining/carMove.mp4");

while(cap.read(frame))

imshow("video",frame);//將讀到的幀顯示出來(lái)

datectCarDaw(frame,cascade,2);//將讀到的幀傳入函數(shù)用作識(shí)別

waitKey(25);//延時(shí)25ms,避免播放過(guò)快

}

3.將傳入的視頻幀轉(zhuǎn)換為灰度圖

轉(zhuǎn)換為灰度圖,色彩通道縮小一半,減少圖片數(shù)據(jù)計(jì)算量,提升計(jì)算速度

Matgray;

//轉(zhuǎn)換為灰度圖,色彩通道縮小一半

cvtColor(frame,gray,CV_RGB2GRAY);

效果如下：

4.將多余的空通道進(jìn)行壓縮

原通道為RGB三通道圖片數(shù)據(jù)，轉(zhuǎn)換為灰度圖后，變?yōu)閱瓮ǖ罃?shù)據(jù)，多余的通道可以壓縮掉,可以看到圖片減小三分之二

//再將灰度圖縮小一半

Matsmalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);

resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);

效果如下:

可以發(fā)現(xiàn)，圖一下子小了很多，大大降低了計(jì)算量

5.直方圖均衡化

將縮小一半的灰度圖進(jìn)行均衡化,使其更加黑白分明,增強(qiáng)局部的對(duì)比度,便于計(jì)算機(jī)識(shí)別

//直方圖均衡化:將縮小一半的灰度圖進(jìn)行均值化使其更加黑白分明

equalizeHist(smalling,smalling);

效果如下：

降低了漸進(jìn)效果的像素?cái)?shù)目，更加的黑白分明

6.調(diào)用級(jí)聯(lián)分類器,并將內(nèi)容框出,然后將此幀顯示出來(lái)

調(diào)用讀取已經(jīng)訓(xùn)練好的模型，調(diào)用detectMultiScale函數(shù)器參數(shù)含義為：

待檢測(cè)的圖片幀（此處為均衡化后的圖片幀）

被檢測(cè)物體的矩形向量容器（調(diào)用前聲明了一個(gè)向量容器cars）

每次搜索減小的圖像比例（每次縮小1.05倍，掃描的細(xì)致一點(diǎn)）

檢測(cè)目標(biāo)周圍相鄰矩形的最小個(gè)數(shù)（此處設(shè)為5個(gè)，此處視道路情況可以適當(dāng)增加個(gè)數(shù)）

類型（掃描類型）

目標(biāo)區(qū)域可能的最小尺寸（此處為25*25，太小了會(huì)識(shí)別不到，太大了可能幾輛車貼的很近可能只能識(shí)別出一輛）

//調(diào)用級(jí)聯(lián)分類器進(jìn)行模型匹配并框出內(nèi)容

vectorRectcars;

//此函數(shù)參數(shù)說(shuō)明:待檢測(cè)的圖片幀被檢測(cè)物體的矩形向量容器每次搜索減小的圖像比例

//檢測(cè)目標(biāo)周圍相鄰矩形的最小個(gè)數(shù)(此處設(shè)為2個(gè))類型目標(biāo)區(qū)域的大小尺寸

cascade.detectMultiScale(smalling,cars,1.05,5,0|CV_HAAR_SCALE_IMAGE,Size(25,25));

vectorRect::const_iteratoriter;

//繪制方塊,標(biāo)記目標(biāo),注意,標(biāo)記要畫(huà)在原幀上,要講方框的大小和幀坐標(biāo)擴(kuò)大,因?yàn)槭歉鶕?jù)灰度圖識(shí)別的,灰度圖被縮小了

for(iter=cars.begin();iter!=cars.end();iter++)

rectangle(frame,

cvPoint(cvRound(iter-x*scale),cvRound(iter-y*scale)),

cvPoint(cvRound((iter-x+iter-width)*scale),cvRound((iter-y+iter-height)*scale)),

Scalar(0,255,0),2,8

imshow("frame",frame);

效果如下：

循環(huán)顯示每一幀，最終成果展示：

博主所使用的這個(gè)模型訓(xùn)練的樣本較為有限，主要訓(xùn)練的是普通轎車的車頭，車尾訓(xùn)練較少，貨車等其他車型沒(méi)有做特別的訓(xùn)練，所以只能保證識(shí)別轎車的車頭

可以根據(jù)實(shí)際車流量和車輛距離攝像頭的距離來(lái)調(diào)整最小目標(biāo)大小和最大矩形框個(gè)數(shù)

代碼：

#includeiostream

#includeopencv2/opencv.hpp

usingnamespacecv;

usingnamespacestd;

voiddatectCarDaw(Matframe,CascadeClassifiercascade,doublescale)

Matgray;

//轉(zhuǎn)換為灰度圖,色彩通道縮小一半

cvtColor(frame,gray,CV_RGB2GRAY);

//imshow("huidu",gray);

//再將灰度圖縮小一半

Matsmalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);

resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);

//直方圖均衡化:將縮小一半的灰度圖進(jìn)行均值化使其更加黑白分明

equalizeHist(smalling,smalling);

//imshow("smalling",smalling);

//調(diào)用級(jí)聯(lián)分類器進(jìn)行模型匹配并框出內(nèi)容

vectorRectcars;

//此函數(shù)參數(shù)說(shuō)明:待檢測(cè)的圖片幀被檢測(cè)物體的矩形向量容器每次搜索減小的圖像比例檢測(cè)目標(biāo)周圍相鄰矩形的最小個(gè)數(shù)(此處設(shè)為2個(gè))類型目標(biāo)區(qū)域的大小尺寸

cascade.detectMultiScale(smalling,cars,1.05,5,0|CV_HAAR_SCALE_IMAGE,Size(25,25));

vectorRect::const_iteratoriter;

//繪制方塊,標(biāo)記目標(biāo),注意,標(biāo)記要畫(huà)在原幀上,要講方框的大小和幀坐標(biāo)擴(kuò)大,因?yàn)槭歉鶕?jù)灰度圖識(shí)別的,灰度圖被縮小了

for(iter=cars.begin();iter!=cars.end();iter++)

rectangle(frame,

cvPoint(cvRound(iter-x*scale),cvRound(iter-y*scale)),

cvPoint(cvRound((iter-x+iter-width)*scale),cvRound((iter-y+iter-height)*scale)),

Scalar(0,255,0),2,8

imshow("frame",frame);

intmain(intargc,char*argv[])

CascadeClassifiercascade;//級(jí)聯(lián)分類器(模型)

cascade.load("D:/Qt_Opencv_Project/cars.xml");//讀取級(jí)聯(lián)分類器

//cascade.load("D:/Qt_Opencv_Project/face.xml");

Matframe;

VideoCapturecap("D:/VideoTraining/carMove.mp4");

//VideoCapturecap(0);

while(cap.read(frame))

imshow("video",frame);//將讀到的幀顯示出來(lái)

datectCarDaw(