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
使用編譯器：Qt Creator 4.2.1
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
CascadeClassifier cascade;//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
Mat frame;
VideoCapture cap("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
Mat gray;
//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
Mat smalling(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
vector<Rect>cars;
//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));
vector<Rect>::const_iterator iter;
//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：
#include <iostream>
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;
void datectCarDaw(Mat &frame,CascadeClassifier cascade,double scale)
{
Mat gray;
//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
Mat smalling(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
vector<Rect>cars;
//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));
vector<Rect>::const_iterator iter;
//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);
}
int main(int argc, char *argv[])
{
CascadeClassifier cascade;//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");
Mat frame;
VideoCapture cap("D:/VideoTraining/carMove.mp4");
//VideoCapture cap(0);
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
}
return 0;
}有興趣也可以看看無(wú)需使用模型但是只能捕捉動(dòng)態(tài)目標(biāo)的幀差法識(shí)別：
C++調(diào)用opencv完成運(yùn)動(dòng)目標(biāo)捕捉
Qt Creator配置使用opencv：
總結(jié)
到此這篇關(guān)于C++使用opencv調(diào)用級(jí)聯(lián)分類器來(lái)識(shí)別目標(biāo)物體的文章就介紹到這了,更多相關(guān)C++ opencv識(shí)別目標(biāo)物體內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
淺談Windows系統(tǒng)下C語(yǔ)言編程中Glib庫(kù)的使用
這篇文章主要介紹了Windows系統(tǒng)下C語(yǔ)言編程中Glib庫(kù)的使用,Glib庫(kù)在多線程編程中經(jīng)?？梢杂玫?需要的朋友可以參考下2016-02-02
這篇文章主要介紹了C語(yǔ)言 全局變量和局部變量詳解及實(shí)例的相關(guān)資料,需要的朋友可以參考下2017-01-01
QT使用Http協(xié)議通信的實(shí)現(xiàn)示例
使用QT進(jìn)行應(yīng)用開(kāi)發(fā)時(shí),有時(shí)候需要進(jìn)行客戶端和服務(wù)端的網(wǎng)絡(luò)通信,本文主要介紹了QT使用Http協(xié)議通信的實(shí)現(xiàn)示例,具有一定的參考價(jià)值,感興趣的可以了解一下2023-12-12
本篇文章是對(duì)memset()函數(shù)又進(jìn)行了深一步的了解，需要的朋友參考下2013-05-05
這篇文章主要介紹了C++中new和delete的使用方法詳解的相關(guān)資料,希望通過(guò)本文能幫助到大家，需要的朋友可以參考下2017-10-10
這里給大家介紹了C++中對(duì)于pthread線程的一個(gè)簡(jiǎn)單應(yīng)用以及使用繼承CDoit，實(shí)現(xiàn)其中的start和end，有需要的小伙伴可以參考下2015-11-11
這篇文章主要介紹了c++引用傳參和指針傳參的區(qū)別及說(shuō)明,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-01-01
本文主要介紹了c++智能指針unique_ptr的使用，與shared_ptr作用類似，文中通過(guò)示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-12-12
淺理解C++ 人臉識(shí)別系統(tǒng)的實(shí)現(xiàn)
這篇文章主要介紹了淺理解C++ 人臉識(shí)別系統(tǒng)的實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-03-03
C++中的boost::function庫(kù)簡(jiǎn)介
這篇文章介紹了C++中的boost::function庫(kù)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2022-06-06