OpenCV行人檢測_OpenCV

註：本文翻譯自：Pedestrian Detection OpenCV。

你知道OpenCV裡面已經內建的行人檢測方法嗎。在OpenCV裡面，有一個預先訓練好了的HOG+線性SVM模型，能夠對映像和視頻中的行人進行檢測。如果你還不熟悉方向梯度長條圖HOG和線性SVM方法，我建議你閱讀方向梯度長條圖和物體檢測這篇文章，在這篇文章中，我對該架構分了6步進行討論。

如果你已經熟悉了這個過程，或者你僅僅只是想看看OpenCV行人檢測的代碼，那麼現在就開啟一個新檔案，並將它命名為detect.py，開始我們的編程之旅吧：

 1 # import the necessary packages 2 from __future__ import print_function 3 from imutils.object_detection import non_max_suppression 4 from imutils import paths 5 import numpy as np 6 import argparse 7 import imutils 8 import cv2 9 10 # construct the argument parse and parse the arguments11 ap = argparse.ArgumentParser()12 ap.add_argument("-i", "--images", required=True, help="path to images directory")13 args = vars(ap.parse_args())14 15 # initialize the HOG descriptor/person detector16 hog = cv2.HOGDescriptor()17 hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())

第2-8行匯入一些我們必要的包，我們匯入print_function確保我們的代碼同時在Python2.7和Python3上相容，這樣可以使得我們的代碼能夠在OpenCV2.4.X和OPenCV3上都能夠工作，然後，從我的imutils包中我們匯入non_max_suppression函數。

如果你還沒有安裝imutils，可以通過pip來安裝：

$ pip install imutils

如果你已經安裝了imutils，你需要把它更新到最新版(v0.3.1)，在這個版本裡面，包含了non_max_suppression函數的實現，以及其它一些微小的更新：

$ pip install --upgrade imutils

我已經在我的PyImageSearch部落格上在兩次講到過非極大抑制(non-maxima suppression)方法，一次是在Python非極大抑制用於物體檢測，一篇是在用Python實現更快的非極大抑制，無論是哪一種情形，非極大抑制的宗旨都是擷取多個重疊的邊框(bounding box)，並且將他們減少至僅有一個邊框。

圖1：左圖有很多檢測錯誤的邊框；右圖採用非極大抑制後，使得我們可以抑制那些重疊的地區，將正確的邊框留下來。

非極大抑制方法可以減少在進行行人檢測過程中的假陽率。

第11-13行處理我們命令列傳入的參數，這裡，我們只需要一個切換--images，用它來傳入待檢測行人的映像目錄。

最後，第16行和17行初始化我們的行人檢測器。首先，我們調用hog = cv2.HOGDescriptor()來初始化方向梯度長條圖描述子，然後，我們調用setSVMDetector來設定支援向量機(Support Vector Machine)使得它成為一個預先訓練好了的行人檢測器。

到了這裡，我們的OpenCV行人檢測器已經完全載入了，我們只需要把它應用到一些映像上：

 1 # import the necessary packages 2 from __future__ import print_function 3 from imutils.object_detection import non_max_suppression 4 from imutils import paths 5 import numpy as np 6 import argparse 7 import imutils 8 import cv2 9 10 # construct the argument parse and parse the arguments11 ap = argparse.ArgumentParser()12 ap.add_argument("-i", "--images", required=True, help="path to images directory")13 args = vars(ap.parse_args())14 15 # initialize the HOG descriptor/person detector16 hog = cv2.HOGDescriptor()17 hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())18 19 # loop over the image paths20 for imagePath in paths.list_images(args["images"]):21  # load the image and resize it to (1) reduce detection time22  # and (2) improve detection accuracy23  image = cv2.imread(imagePath)24  image = imutils.resize(image, width=min(400, image.shape[1]))25  orig = image.copy()26 27  # detect people in the image28  (rects, weights) = hog.detectMultiScale(image, winStride=(4, 4),29      padding=(8, 8), scale=1.05)30 31  # draw the original bounding boxes32  for (x, y, w, h) in rects:33      cv2.rectangle(orig, (x, y), (x + w, y + h), (0, 0, 255), 2)34 35  # apply non-maxima suppression to the bounding boxes using a36  # fairly large overlap threshold to try to maintain overlapping37  # boxes that are still people38  rects = np.array([[x, y, x + w, y + h] for (x, y, w, h) in rects])39  pick = non_max_suppression(rects, probs=None, overlapThresh=0.65)40 41  # draw the final bounding boxes42  for (xA, yA, xB, yB) in pick:43      cv2.rectangle(image, (xA, yA), (xB, yB), (0, 255, 0), 2)44 45  # show some information on the number of bounding boxes46  filename = imagePath[imagePath.rfind("/") + 1:]47  print("[INFO] {}: {} original boxes, {} after suppression".format(48      filename, len(rects), len(pick)))49 50  # show the output images51  cv2.imshow("Before NMS", orig)52  cv2.imshow("After NMS", image)53  cv2.waitKey(0)

在第20行我們對我們的--images目錄下的映像進行迴圈，這篇博文中使用的例子樣本是從INRIA Person Dataset這個很流行的人物庫上抽取的，更具體的說，是從GRAZ-01子集中抽取出來的，這些圖片存放在源碼目錄下面了。

第23-25行載入磁碟中的映像，並且將映像裁剪到最大寬度為400個像素，之所以降低我們的映像維度(其實就是之所以對我們的映像尺寸進行裁剪)主要有兩個原因： 減小映像的尺寸可以減少在影像金字塔中滑窗的數目，如此可以降低檢測的時間，從而提高整體檢測的輸送量。 調整映像的尺寸能夠整體提高行人檢測的精度，也就是假陽率。

真正對映像中的行人進行檢測的代碼是在第28行和29行，通過調用detectMultiScale的hog描述子方法。這個detectMultiScale方法構造了一個尺度scale=1.05的影像金字塔，以及一個分別在x方向和y方向步長為(4,4)像素大小的滑窗。

視窗的大小固定在32*128像素大小，這個設定是按照 seminal Dalal和Triggs論文來設定的。detectMultiScale函數會返回一個2-元組的rects，或者是映像中每一個行人的邊框座標(x,y)，以及由SVM在每一次檢測中返回的weights置信值(我們一般也成為分數，譯者注)。

scale的尺度設定得越大，在影像金字塔中層的數目就越少，相應的檢測速度就越快，但是尺度太大會導致行人出現漏檢；同樣的，如果scale設定得太小，將會急劇的增加影像金字塔的層數，這樣不僅耗費計算資源，而且還會急劇地增加檢測過程中出現的假陽數目(也就是不是行人的被檢測成行人)。這表明，scale是在行人檢測過程中它是一個重要的參數，需要對scale進行調參。我會在後面的文章中對detectMultiScale中的每個參數做些調研。

第32行和33行擷取我們的初始邊框，並將它們在映像上框出來。

不過，你將會看到在一些映像上有的行人框出來的框，有很多重疊的邊框，如上面1圖所示。

針對這種情況，我們有兩種選擇。一種選擇是檢測一個邊框是否完全包含了另一個邊框(你可以看看OpenV中的一些實現例子)。另外一種選擇是應用非極大抑制方法，通過設定一個閾值來抑制那些重疊的邊框，這就是第38行和39行所乾的事。

注意：如果你想瞭解更多HOG架構和非極大抑制，我推薦你閱讀方向梯度長條圖和物體檢測。在那篇博文中，你可以查看Python非極大抑制用於物體檢測，以及後面更新的Malisiewicz方法。

在應用非極大抑制後，我們在第42行和43行畫出最終的邊框，在第46-48行中我們展示映像的一些基本資料，以及檢測到的邊框數目，在第51-53行，在螢幕最終顯示我們輸入的映像。 行人檢測結果

為了看看我們寫的行人檢測指令碼的實際效果，我們只需要執行下面命令：

$ python detect.py --images images

下圖是一張行人檢測的結果圖：

圖2：檢測效果

上圖我們檢測到了站在警車旁的單個行人。

圖3：在前景和背景中分別檢測到了1個人

上面我們可以看到在前景中的男人被檢測到了，同時背景中推著嬰兒車的女人也檢測到了。

圖4：一個展示為什麼用非極大抑制很重要的例子

圖4的例子展示了為什麼用非極大抑制很重要。detectMultiScale函數除了將正確的邊框檢測出來外，還把兩個邊框邊框檢測出來了，這兩個錯誤的邊框將映像中的行人覆蓋了。通過使用非極大抑制，我們可以抑制錯誤的邊框，只留下正確檢測的邊框。

圖5：另一個展示非極大抑制效果的例子

我們再一次可以看到，有很多錯誤的邊框被檢測出來了，通過使用非極大抑制，我們可以抑制錯誤的邊框，只留下正確檢測的邊框。

圖6：在一個購物中心檢測行人

圖6在一個購物中心進行行人檢測，圖中，有兩個人正向網路攝影機走進，另外一個人正遠離網路攝影機，不管是哪種情形，我們的HOG檢測方法都能夠準確的檢測出行人。在non_maxima_suppression函數中較大的overlapThresh能夠確保那些部分重疊了的邊框不會被抑制。

圖7：在模糊圖片中檢測行人

老實說，我對上面圖片的檢測結果有點兒驚訝，因為一般而言HOG描述子在移動模糊的圖片上檢測效果不是很好，不過在這幅映像上，我們卻將行人檢測出來了。

圖8：在室外街道上檢測行人

這裡有另外一個多個重疊邊框的例子，不過因為我們的overlapThresh設定得比較大，所以這些邊框沒有被抑制，從而能夠將正確的檢測結果留下來。

圖9：檢測一張具有4個成員的家庭的圖片

圖9的例子展示了HOG+SVM行人檢測器的多功能性，我們不僅能夠檢測到成年的男人，也能夠檢測到那三個小孩(注意：該檢測器不能檢測到躲藏在他老爸後面的小孩)。

圖10：對路標標識進行行人檢測

我將圖10放在最後是因為我發覺這非常的有趣，我們可以很清楚的看到這隻是一個路標標識，標識表示行人穿越道，然而，HOG+SVM檢測器將它們在圖中框出來了，實際上它們卻並不是行人。 總結

在這篇博文中，我們已經學到了怎樣使用OpenCV的庫以及Python來進行行人檢測。

實際上OpenCV庫已經內建了一個預先訓練好了的HOG+線性SVM檢測器的模型，它是基於Dalal和Triggs論文裡的方法來自動的實現映像中行人的檢測。

雖然HOG的方法比Haar counter-part的精度要高，不過它仍需要對detectMultiScale進行合理的設定。在後面的博文中，我會對detectMultiScale中的每一個參數做一個調研，已經怎樣調參的細節，並陳述在精度和效能之間的折中。

不管怎麼說，我都希望你喜歡這篇博文。我正打算在後面給出更多的關於物體檢測的教程，如果你希望這些教程出來後能夠獲得及時的通知，你可以考慮訂閱我的部落格。

我已經在PyImageSearch Gurus course裡麵包含了HOG+線性SVM的物體檢測方法，你可以看看。

from: http://yongyuan.name/blog/pedestrian-detection-opencv.html