在计算机视觉研究当中,HOG算法和LBP算法算是基础算法,但是却十分重要。后期很多图像特征提取的算法都是基于HOG和LBP,所以了解和掌握HOG,是学习计算机视觉的前提和基础。

HOG算法的原理很多资料都可以查到,简单来说,就是将图像分成一个cell,通过对每个cell的像素进行梯度处理,进而根据梯度方向和梯度幅度来得到cell的图像特征。随后,将每个cell的图像特征连接起来,得到一个BLock的特征,进而得到一张图片的特征。Opencv当中自带HOG算法,可以直接调用,进行图像的特征提取。但是作为一个初学者,自然应该自己手写一下HOG算法,这样能够更加透彻地去理解。

下面是我自己写的HOG,代码比较粗糙,为了适应下面的KNN分类器,HOG算法的接口设计为输入一张图片,返回一个vector向量。

class HOG{
private:
Mat img;
public:
vector<float>bins; //返回一个图片的HOG特征;
void GetImage(Mat src);
void Cut_to_Block(); //将图片分割成一个个Block;
void Cut_to_Cell(int pixel_x, int pixel_y); //将图片分割成一个个Cell;
void Cell_to_bin(int x, int y); //对每个Cell进行处理,得到每个Cell的bins;
}; void HOG::GetImage(Mat src){
bins.clear();
cvtColor(src, img, COLOR_RGB2GRAY);
Cut_to_Block();
} void HOG::Cut_to_Block(){
for (int i = ; i <= img.rows - ; i = i + ){
for (int j = ; j <= img.cols - ; j = j + ){
Cut_to_Cell(i, j);
}
}
} void HOG::Cut_to_Cell(int pixel_x, int pixel_y){
for (int i = pixel_x, m = ; m < ; i = i + , m++){
for (int j = pixel_y, n = ; n < ; j = j + , n++){
Cell_to_bin(i, j);
}
}
} void HOG::Cell_to_bin(int x, int y){
int pixel_x; //cell的像素的起始位置行坐标;
int pixel_y; //cell的像素的起始位置纵坐标;
float pixel[][]; //我们一般默认cell为8*8的像素大小,但是为了储存周边店的像素,需要多加两个像素储存点的位置;
float gradient_M[][]; //保存梯度的幅值;
float gradient_Angle[][]; //保存像素梯度的方向;
float gradient_h[][];
float gradient_v[][];
float bin[]; //存放一个Cell当中的bins值; pixel_x = x;
pixel_y = y; //为了计算方便,我们将每个Cell的像素先提取出来,存放在pixel[][]当中;
for (int i = pixel_x - , m = ; i < pixel_x + ; i++, m++){
uchar *data = img.ptr<uchar>(i);
for (int j = pixel_y - , n = ; j < pixel_y + ; j++, n++){
pixel[m][n] = data[j];
}
} //计算每个像素的梯度幅值和梯度角度;
for (int i = ; i<; i++){
for (int j = ; j<; j++){
gradient_h[i][j] = pixel[i + ][j] - pixel[i - ][j];
gradient_v[i][j] = pixel[i][j + ] - pixel[i][j - ];
gradient_M[i][j] = sqrt(gradient_h[i][j] * gradient_h[i][j] + gradient_v[i][j] * gradient_v[i][j]);
gradient_Angle[i][j] = atan2(gradient_h[i][j], gradient_v[i][j]) * ;
}
} //根据每个像素的幅值进行维度的区分分类;
for (int i = ; i<; i++){
bin[i] = ;
} for (int i = ; i<; i++){
for (int j = ; j<; j++){
if ((gradient_Angle[i][j] >= && gradient_Angle[i][j]<) || (gradient_Angle[i][j] >= && gradient_Angle[i][j]<)){
bin[] = bin[] + gradient_M[i][j];
}
if ((gradient_Angle[i][j] >= && gradient_Angle[i][j]<) || (gradient_Angle[i][j] >= && gradient_Angle[i][j]<)){
bin[] = bin[] + gradient_M[i][j];
}
if ((gradient_Angle[i][j] >= && gradient_Angle[i][j]<) || (gradient_Angle[i][j] >= && gradient_Angle[i][j]<)){
bin[] = bin[] + gradient_M[i][j];
}
if ((gradient_Angle[i][j] >= && gradient_Angle[i][j]<) || (gradient_Angle[i][j] >= && gradient_Angle[i][j]<)){
bin[] = bin[] + gradient_M[i][j];
}
if ((gradient_Angle[i][j] >= && gradient_Angle[i][j]<) || (gradient_Angle[i][j] >= && gradient_Angle[i][j]<)){
bin[] = bin[] + gradient_M[i][j];
}
if ((gradient_Angle[i][j] >= && gradient_Angle[i][j]<) || (gradient_Angle[i][j] >= && gradient_Angle[i][j]<)){
bin[] = bin[] + gradient_M[i][j];
}
if ((gradient_Angle[i][j] >= && gradient_Angle[i][j]<) || (gradient_Angle[i][j] >= && gradient_Angle[i][j]<)){
bin[] = bin[] + gradient_M[i][j];
}
if ((gradient_Angle[i][j] >= && gradient_Angle[i][j]<) || (gradient_Angle[i][j] >= && gradient_Angle[i][j]<)){
bin[] = bin[] + gradient_M[i][j];
}
if ((gradient_Angle[i][j] >= && gradient_Angle[i][j] <= ) || (gradient_Angle[i][j] >= && gradient_Angle[i][j] <= )){
bin[] = bin[] + gradient_M[i][j];
}
}
} //归一化;
float sum_bin = ;
for (int i = ; i<; i++){
sum_bin = sum_bin + bin[i];
}
for (int i = ; i<; i++){
bin[i] = bin[i] / sum_bin;
if (bin[i]>0.2){
bin[i] = 0.2;
}
}
sum_bin = ;
for (int i = ; i<; i++){
sum_bin = sum_bin + bin[i];
}
for (int i = ; i<; i++){
bin[i] = bin[i] / sum_bin;
} //返回bin[]的值到bins向量当中;
for (int i = ; i < ; i++){
bins.push_back(bin[i]);
}
}

写完了HOG算法,下面就开始写KNN 分类器了。KNN算法很容易理解,就是在一个元素周围选取最邻近的K个元素,然后分析这k个元素当中,哪一类占的比例最大,那么这个元素就属于该类。

同样Opencv当中也有KNN算法,为类CvKNearest(),直接调用便可以进行训练,具体地可以查阅相关文档。

class KNN{
private:
vector < vector < float >> datatrain;
vector<int> dataclass;
CvKNearest *knn;
public:
KNN();
//对从HOG算法传递出来的数据进行整合处理,src表示一张图的HOG特征数组,classfile表示这张图所代表的分类;
void Data_integration(vector<float> src, int classfile);
void KNN_Train(); //将HOG得到的数据进行相关处理,然后进行KNN训练;
int KNN_Test(vector<float> src); //将KNN训练好之后,传入一个HOG特征值,返回一个分类;
}; KNN::KNN(){
knn=new CvKNearest();
} void KNN::Data_integration(vector<float> src, int classfile){
datatrain.push_back(src);
dataclass.push_back(classfile);
} void KNN::KNN_Train(){
CvMat *DataTrain=cvCreateMat(,,CV_32FC1);
CvMat *DataClass=cvCreateMat(,,CV_32FC1);
for(int i=;i<;i++){
cvmSet(DataClass,i,,dataclass[i]);
for(int j=;j<;j++){
cvmSet(DataTrain,i,j,datatrain[i][j]);
}
}
knn->train(DataTrain,DataClass,,false,,false);
} int KNN::KNN_Test(vector<float> src){
CvMat *DataSample = cvCreateMat(, , CV_32FC1);
for (int i = ; i < ; i++){
cvmSet(DataSample,,i,src[i]);
}
int k;
k = (int)knn->find_nearest(DataSample, );
return k;
}

有个HOG 和 KNN,那现在就可以进行训练了。我有了13类车牌图片进行训练,每类30张。

在这里,有一个东西要注意一下,那就是批量读取图片。我采用了一个很笨的方法,那就是把每张图片的地址存在一个txt文档当中,然后先读取地址,然后在读取图片。这样的方法,在图片数量较少的情况下可以使用的,但是图片数量成千上百张,就很麻烦了。

int main(){
HOG Hog;
KNN Knn;
string Imageadress[];
ifstream fin("train.txt"); //图片地址事先保存在train.txt文件当中;
for (int i = ; i<; i++){
getline(fin, Imageadress[i]); //从文件当中一行一行读出地址,保存到Imgaeadree当中;
} Mat Image[];
for (int i = ; i < ; i++){
Image[i] = imread(Imageadress[i], ); //读入图片文件;
} for (int i = ; i < ; i++){
int k = ;
k = i / ; //通过整除30,来获得该图片属于哪个分类当中的;
Hog.GetImage(Image[i]);
Knn.Data_integration(Hog.bins, k);
}
Knn.KNN_Train(); //进行检测;
ifstream testin("test4.txt");
string testImageadress[];
Mat testimg[];
for(int i=;i<;i++)
{
getline(testin,testImageadress[i]);
} for(int i=;i<;i++){
testimg[i]=imread(testImageadress[i],);
} int count=;
for(int i=;i<;i++){
int k;
Hog.GetImage(testimg[i]);
k=Knn.KNN_Test(Hog.bins);
cout<<k<<endl;
if(k!=){
count++;
}
}
cout<<"错误的数量:"<<count<<endl;
}

训练完毕之后,我又使用13类图片,每类70张,进行检测分类。

很不幸,识别结果不是很理想,奔驰等简单的车牌识别率很高,可以达到百分之百,但是复杂的车牌识别率就瞬间下来了,当中的原因,是因为HOG算法写得有问题啊,不够好,需要改进。

Opencv学习之路—Opencv下基于HOG特征的KNN算法分类训练的更多相关文章

  1. Opencv学习之路——自己编写的HOG算法

    #include<opencv2\core\core.hpp> #include<opencv2\highgui\highgui.hpp> #include<opencv ...

  2. opencv学习笔记(七)SVM+HOG

    opencv学习笔记(七)SVM+HOG 一.简介 方向梯度直方图(Histogram of Oriented Gradient,HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子 ...

  3. OpenCV中基于HOG特征的行人检测

    目前基于机器学习方法的行人检测的主流特征描述子之一是HOG(Histogram of Oriented Gradient, 方向梯度直方图).HOG特征是用于目标检测的特征描述子,它通过计算和统计图像 ...

  4. opencv学习之路(39)、PCA

    一.PCA理论介绍 网上已经有许多介绍pca原理的博客,这里就不重复介绍了.详情可参考 http://blog.csdn.net/zhongkelee/article/details/44064401 ...

  5. Android开发学习之路--MAC下Android Studio开发环境搭建

    自从毕业开始到现在还没有系统地学习android应用的开发,之前一直都是做些底层的驱动,以及linux上的c开发.虽然写过几个简单的app,也对android4.0.3的源代码做过部分的分析,也算入门 ...

  6. 基于HOG特征的Adaboost行人检测

    原地址:http://blog.csdn.net/van_ruin/article/details/9166591 .方向梯度直方图(Histogramof Oriented Gradient, HO ...

  7. OpenCV 学习笔记 06 图像检索以及基于图像描述符的搜索

    OpenCV 可以检测图像的主要特征,然后提取这些特征,使其成为图像描述符,这些图像特征可作为图像搜索的数据库:此外可以利用关键点将图像拼接 stitch 起来,组成一个更大的图像.如将各照片组成一个 ...

  8. opencv+树莓PI的基于HOG特征的行人检测

    树莓PI远程控制摄像头请参考前文:http://www.cnblogs.com/yuliyang/p/3561209.html 参考:http://answers.opencv.org/questio ...

  9. Python下的OpenCV学习 01 —— 在Linux下安装OpenCV

    一.OpenCV简要介绍 OpenCV是一个跨平台的计算机视觉库,可以运行在Windows.Linux.MacOS等操作系统上.OpenCV提供了众多语言的接口,其中就包含了Python,Python ...

随机推荐

  1. HDU 1255 覆盖的面积(线段树+扫描线)

    题目地址:HDU 1255 这题跟面积并的方法非常像,仅仅只是须要再加一个变量. 刚開始我以为直接用那个变量即可,仅仅只是推断是否大于0改成推断是否大于1.可是后来发现了个问题,由于这个没有下放,没延 ...

  2. 配置远程连接mysql数据库 Connect to remote mysql database

    设有本地机器(local machine), ip地址为localip 远程机器(remote machine), ip地址remoteip 要通过在local machine的终端连接remote ...

  3. HDFS01

    ==============NameNode============== 管理文件系统的命名空间 记录每个文件数据在各个DataNode上的位置和副本信息 协调客户端对文件的访问 NameNode文件 ...

  4. java 多线程——同步 学习笔记

      一.实例的同步方法 public synchronized void add(int value){ this.count += value; } Java 实例方法同步是同步在拥有该方法的对象上 ...

  5. ios8--加载图片

    // // ViewController.m // 06-资源存放问题 #import "ViewController.h" /** 加载图片的方式: 1. imageNamed: ...

  6. Silverlight,Windows 8应用开发实例教程系列汇总

    Kevin Fan分享开发经验,记录开发点滴 Silverlight,Windows 8应用开发实例教程系列汇总 2012-06-18 01:05 by jv9, 2145 阅读, 3 评论, 收藏, ...

  7. UVA 1640(DFS)

    题意:给你a,b两个数 问你a b区间中0 9出现的次数 其实就是求1-n中0-9出现的次数 ans[n]   答案就是ans[b]-ans[a-1] 怎么求的话看代码吧 #include<io ...

  8. la3211

    2-sat+二分... 每次二分答案然后连边2-sat...边要开到n*n 样例水得跟没有一样... #include<bits/stdc++.h> using namespace std ...

  9. 02、监听key是否正确

    SDKInitializer其实是有两个action,第三个SDK_BROADTCAST_INTENT_EXTRA_INFO_KEY_ERROR_CODE虽然是一个常量但是它不是action.第二个a ...

  10. discuz的全局变量

    $_G 保存了 discuz! 中所有的预处理数据 缓存能够很好的提高程序的性能,一些配置数据没必要每次都查询数据库,只要在修改了的时候更新下缓存即可. Discuz! 中所有的缓存保存在 $_G[c ...