快捷導(dǎo)航

C++使用opencv調(diào)用級聯(lián)分類器來識別目標物體的詳細流程

更新時間：2022年05月07日 09:57:52 作者：一個不同的ID

所謂級聯(lián)分類器其實就是把分類器按照一定的順序聯(lián)合到一起,下面這篇文章主要給大家介紹了關(guān)于C++使用opencv調(diào)用級聯(lián)分類器來識別目標物體的相關(guān)資料,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下

前言：

相較于幀差法捕捉目標物體識別，級聯(lián)分類器識別目標物體更加具有針對性，使用前者只要是動的物體都會被捕捉識別到，畫面里有一點風(fēng)吹草動，都會被捕捉識別下來，如果我想識別具體的人或者物，都無法做到精準的目標識別，所以有了級聯(lián)分類器識別（即模型識別），會按照訓(xùn)練好的級聯(lián)分類器（模型）來進行目標識別

流程講解：

1.創(chuàng)建一個級聯(lián)分類器對象

創(chuàng)建一個級聯(lián)分類器對象，并讀取已經(jīng)已經(jīng)訓(xùn)練好的模型

    CascadeClassifier cascade;//級聯(lián)分類器(模型)
    cascade.load("D:/Qt_Opencv_Project/cars.xml");//讀取級聯(lián)分類器

2.創(chuàng)建一個視頻流

讀取一個要識別的視頻路徑

    Mat frame;
    VideoCapture cap("D:/VideoTraining/carMove.mp4");
    while (cap.read(frame))
    {
        imshow("video",frame);//將讀到的幀顯示出來
        datectCarDaw(frame,cascade,2);//將讀到的幀傳入函數(shù)用作識別
        waitKey(25);//延時25ms,避免播放過快
    }

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)計算量,提升計算速度

    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，大大降低了計算量

5.直方圖均衡化

將縮小一半的灰度圖進行均衡化,使其更加黑白分明,增強局部的對比度,便于計算機識別

    //直方圖均衡化:將縮小一半的灰度圖進行均值化   使其更加黑白分明
    equalizeHist(smalling,smalling);

效果如下：

降低了漸進效果的像素數(shù)目，更加的黑白分明

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

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：

待檢測的圖片幀（此處為均衡化后的圖片幀）

被檢測物體的矩形向量容器（調(diào)用前聲明了一個向量容器cars）

每次搜索減小的圖像比例（每次縮小1.05倍，掃描的細致一點）

檢測目標周圍相鄰矩形的最小個數(shù)（此處設(shè)為5個，此處視道路情況可以適當增加個數(shù)）

類型（掃描類型）

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

    //調(diào)用級聯(lián)分類器進行模型匹配并框出內(nèi)容
    vector<Rect>cars;
    //此函數(shù)參數(shù)說明: 待檢測的圖片幀  被檢測物體的矩形向量容器  每次搜索減小的圖像比例  
    //檢測目標周圍相鄰矩形的最小個數(shù)(此處設(shè)為2個) 類型 目標區(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,標記目標,注意,標記要畫在原幀上,要講方框的大小和幀坐標擴大,因為是根據(jù)灰度圖識別的,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，貨車等其他車型沒有做特別的訓(xùn)練，所以只能保證識別轎車的車頭

可以根據(jù)實際車流量和車輛距離攝像頭的距離來調(diào)整最小目標大小和最大矩形框個數(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行均值化   使其更加黑白分明
    equalizeHist(smalling,smalling);
    //imshow("smalling",smalling);
    //調(diào)用級聯(lián)分類器進行模型匹配并框出內(nèi)容
    vector<Rect>cars;
    //此函數(shù)參數(shù)說明: 待檢測的圖片幀  被檢測物體的矩形向量容器  每次搜索減小的圖像比例  檢測目標周圍相鄰矩形的最小個數(shù)(此處設(shè)為2個) 類型 目標區(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,標記目標,注意,標記要畫在原幀上,要講方框的大小和幀坐標擴大,因為是根據(jù)灰度圖識別的,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;//級聯(lián)分類器(模型)
    cascade.load("D:/Qt_Opencv_Project/cars.xml");//讀取級聯(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
        datectCarDaw(frame,cascade,2);//將讀到的幀傳入函數(shù)用作識別
        waitKey(25);//延時25ms,避免播放過快
    }
    return 0;
}

有興趣也可以看看無需使用模型但是只能捕捉動態(tài)目標的幀差法識別：

C++調(diào)用opencv完成運動目標捕捉

Qt Creator配置使用opencv：

Qt Creator下配置opencv環(huán)境