1.如何用OpenCV训练自己的分类器
2.01 - OpenCV安装与环境配置
3.HOG算法什么意思
4.OpenCV是什么
5.人脸识别的对比 – OpenCV, Dlib and Deep Learning
6.最近在做一个关于HOG+SVM的行人检测 使用的VS2008平台上配置OPENCV2.3.1 求高手解释一个小问题

如何用OpenCV训练自己的分类器

       ç›®æ ‡æ£€æµ‹æ–¹æ³•æœ€åˆç”±Paul Viola [Viola]提出，并由Rainer Lienhart [Lienhart]对这一方法进行了改善。该方法的基本步骤为： 首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。

       åˆ†ç±»å™¨ä¸­çš„"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器， 这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。

       åˆ†ç±»å™¨è®­ç»ƒå®Œä»¥åŽï¼Œå°±å¯ä»¥åº”用于输入图像中的感兴趣区域的检测。检测到目标区域分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。 为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。

       ç›®å‰æ”¯æŒè¿™ç§åˆ†ç±»å™¨çš„boosting技术有四种： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。

       "boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。

       æ ¹æ®ä¸Šé¢çš„分析，目标检测分为三个步骤：

       1、 样本的创建

       2、 训练分类器

       3、 利用训练好的分类器进行目标检测。

- OpenCV安装与环境配置

       本期内容主要涉及 OpenCV 的背景知识及其安装方法。

       OpenCV，即开放源代码计算机视觉应用平台，由英特尔公司下属研发中心俄罗斯团队发起，基于BSD开源证书。它的施乐奥托源码目标是实现实时计算机视觉，是一款跨平台的计算机视觉库。自开发以来，OpenCV发展迅速，得到了众多公司和业界大牛的支持与贡献。由于其开源性质，OpenCV可以免费应用于科研和商业领域。

       OpenCV的体系结构包括基本数据结构、动态数据结构、绘图函数、数组操作相关函数、辅助功能与系统函数和宏、与OpenGL的互操作等。此外，还包括线性和非线性图像滤波、图像几何变换、直方图相关、结构分析和形状描述、运动分析和对象跟踪、特征检测、目标检测等功能。级联分类器及SVM也是其重要组成部分。特征检测与描述、特征检测提取匹配接口、关键点与匹配点绘图及对象分类等功能也非常丰富。在多视角几何算法、立体摄像头标定、logback 源码实现物体姿态估计等方面，OpenCV也提供了强大的支持。此外，它还涉及媒体的输入输出、视频捕捉、图像和视频的编码解码、图像交互界面接口等内容。在统计模型、贝叶斯分类器、支持向量机、决策树、提升、梯度提升树、随机数、超随机数、最大期望、神经网络及机器学习数据等方面，OpenCV也有着广泛的应用。运动估计、背景分离、对象跟踪等视频处理相关内容也是其重要组成部分。拼接流水线、特点寻找和匹配图像、估计旋转、自动校准、图像歪斜、接缝估测、曝光补偿、混合等功能也一应俱全。

       安装OpenCV可以通过终端运行。为了加快安装配置过程，跳台阶源码通常会从清华镜像中下载和安装 OpenCV-Contrib-Python。在演示环境中，OpenCV已安装。打开终端进入Python交互式编程页面，执行相应命令，若无报错，则表示安装成功。安装完成后，即可开始使用OpenCV进行计算机视觉开发。

HOG算法什么意思

       1. 特首晌巧征梯度直方图算法，即HOG算法，是一种广泛应用于行人检测的计算机视觉技术。

       2. 它通常与局部二值模式（LBP）和支持向量机（SVM）分类器结合使用，取得了良好的检测效果。

       3. 若想深入了解HOG算法的具体细节，可以访问维基百科（WIKI）或Navneet Dalal和NVIDIA提供的官方网站，那里有专业的解释和资料。

       4. 值得注意的一点是，HOG算法已经集成在开源计算机视觉库OpenCV中，便于研究人员和开发者使用。

       5. 因此，对于许多实际应用而言，深入了解HOG算法的内部原理并非必需，直接利用OpenCV库中的函数即可实现所需功能。

OpenCV是什么

       OpenCV是一个开源的计算机视觉和机器学习软件库，遵循BSD许可证发行，这意味着它可以在多种应用中免费使用并进行修改。它为图像处理、视频分析、模式识别等任务提供了丰富的工具和算法支持。

       OpenCV能够运行在多种操作系统上，小时公式源码包括Linux、Windows、Android和MacOS。这些平台的支持使得开发者能够轻松地在不同的设备和环境中部署基于OpenCV的应用程序，无论是桌面、移动设备还是嵌入式系统。

       该库提供了多种图像处理功能，例如图像增强、锐化、去噪和色彩空间转换等，这些功能对于提高图像质量至关重要。同时，OpenCV还包含了一系列的机器学习算法，如支持向量机（SVM）、随机森林和神经网络，能够用于分类、回归和聚类等任务。

       在计算机视觉领域，OpenCV的应用范围非常广泛，从自动驾驶汽车的环境感知，到医疗影像的分析，再到安全监控系统，都能看到它的身影。此外，它还被广泛应用于科研和教育领域，帮助学生和研究人员快速开发原型，并进行深入的研究。

       由于其跨平台性和丰富的功能，OpenCV成为了众多开发者的首选工具。无论是初学者还是经验丰富的工程师，都可以利用它来解决各种视觉和机器学习问题。ivf指标源码

人脸识别的对比 – OpenCV, Dlib and Deep Learning

       在本教程中，我们将比较和探讨OpenCV、Dlib和深度学习中的几种人脸识别方法。我们将提供代码示例，并讨论每种方法的优缺点，同时分享如何根据特定应用选择合适模型的实用规则。

       我们假设图像尺寸为×。

       一、OpenCV中的Haar级联人脸检测器

       基于Haar级联的人脸检测技术自年Viola和Jones提出以来，一直是先进的人脸检测技术。近年来进行了许多改进，OpenCV提供了多种基于Haar的模型。

       代码示例用于加载haar级联模型文件并将其应用于灰度图像。输出包含检测到的面孔列表，每个成员是包含坐标和尺寸的四个元素列表。

       优点

       简单、高效，适合实时应用。

       缺点

       可能在检测复杂背景下的小或部分遮挡的脸时表现不佳。

       二、OpenCV中的DNN人脸检测器

       这种模型基于ResNet-架构，使用Caffe或TensorFlow进行训练。输出为归一化坐标，表示边界框。

       代码加载模型，并使用前向传播进行检测。输出为4-D矩阵，边界框坐标需乘以原始图像大小。

       优点

       克服了Haar级联的缺点，适用于更复杂背景。

       缺点

       计算速度慢于基于Haar的检测器。

       三、Dlib中的HoG Face检测器

       基于HoG特征和SVM的模型，由5个HOG过滤器组成，适用于多种视角。模型嵌入头文件中。

       代码加载检测器，将图像通过检测器，输出为包含坐标和大小的面部列表。

       优点

       适用于多种条件，如非正面角度。

       缺点

       可能在检测小脸时表现不佳。

       四、Dlib中的CNN人脸检测器

       基于CNN的检测器，使用MMOD（最大边缘对象检测器）训练。训练过程简单，无需大量数据。代码加载模型，输出坐标。

       优点

       适用于多种角度和大小的人脸检测。

       缺点

       速度较慢。

       五、准确度对比

       使用FDDB数据集评估模型。结果表明，Dlib在视觉上表现更好，但准确性稍逊于Haar级联和OpenCV-DNN。主要原因是输出边界框大小不同，以及Dlib模型在小脸检测方面存在局限性。

       优点

       视觉上更精确的边界框。

       缺点

       在准确性评估时存在偏见，尤其在小脸检测方面。

       六、速度对比

       使用×图像评估方法的实时性。OpenCV-DNN、Dlib和Dlib的CNN检测器在CPU和GPU上均有显著差异。

       硬件

       处理器：英特尔酷睿i7 K

       RAM： GB

       GPU：NVIDIA GTX Ti， GB内存

       操作系统：Linux . LTS

       编程语言：Python

       代码

       在给定图像上运行每个方法次，结果表明除了MMOD外，所有方法均能在实时内执行。MMOD在GPU上非常快，但在CPU上速度较慢。

       结论

       综上所述，建议在大多数情况下使用OpenCV-DNN，因为它快速且准确，即使面对小尺寸人脸。对于中、大型图像尺寸，Dlib的HoG检测器在CPU上速度较快，适用于已知不会处理非常小面孔的应用。高分辨率照片处理时，OpenCV-DNN方法表现较好，因为它能检测小面孔。基于这些分析，可根据具体应用选择合适的人脸识别方法。

最近在做一个关于HOG+SVM的行人检测 使用的VS平台上配置OPENCV2.3.1 求高手解释一个小问题

       1.首先确保你输入的中包含行人，如果没有，那found为空是自然的事情。

       2.然后，即使你输入的中包含行人，OpenCV自带的hog+svm检测函数也不一定能够把行人检测出来，毕竟它的训练样本数目也是有限的，能否检测出行人受到背景，光线，行人姿势等多种因素影响。你可以多试试别的，一定会有可以检测出来的。

       3.最后，OpenCV安装目录下本身就有一个行人检测的Demo，叫做peopledetect.cpp，去看看吧。那个是可以正确运行的。

       希望给分，哈哈。

opencv 和libsvm哪个好用

       OpenCV 中的 SVM 就是基于 libsvm 实现的，就做图像处理来说，推荐使用OpenCV

个特征7个类别MATLAB中SVM得训练多久

       3天

       svm模型训练后的参数说明

       çŽ°ç®€å•å¯¹å±å¹•å›žæ˜¾ä¿¡æ¯è¿›⾏说明：

       #iter 为迭代次数，

       nu 与前⾯的操作参数 -n nu 相同，

       obj 为 SVM ⽂件转换为的⼆次规划求解得到的最⼩值，

       rho 为判决函数的常数项 b ，

       nSV 为⽀持向量个数，

       nBSV 为边界上的⽀持向量个数，

       Total nSV 为⽀持向量总个数。

       è®­ç»ƒåŽçš„模型保存为⽂件 *.model ，⽤记事本打开其内容如下：

       svm_type c_svc % 训练所采⽤的 svm 类型，此处为 C- SVC

       kernel_type rbf % 训练采⽤的核函数类型，此处为 RBF æ ¸

       gamma 0. % 设置核函数中的 g ，默认值为 1/ k

       nr_class 2 % 分类时的类别数，此处为两分类问题

       total_sv % 总共的⽀持向量个数

       rho 0. % 决策函数中的常数项 b

       label 1 -1% 类别标签

       @微生豪资料集合分享

       nr_sv % 各类别标签对应的⽀持向量个数

       SV % 以下为⽀持向量

       1 1:0. 2:1 3:-0. 4:-0.

       2 5:-0. 6:-1 7:-1 8:0.

       3 9:-1 :-0. :-1 :-1 :1

       0. 1:0. 2:1 3:0. 4:-0. 5:-0. 6:1 7:1 8:0. 9:1 :-0. :-0. :0.5

       1 1:0. 2:1 3:-1 4:-0. 5:-0. 6:-1 7:-1 8:0. 9:-1 :-0. :0. :-1

       1 1:0. 2:1 3:0. 4:-0. 5:-0. 6:-1 7:1 8:0. 9:-1 :-0. :-0. :1

       4 ）采⽤交叉验证选择最佳参数 C 与 g

       é€šå¸¸⽽⾔，⽐较重要的参数是 gamma (-g) 跟 cost (-c) 。⽽ cross validation (-v)

       çš„参数常⽤ 5 。那么如何去选取最优的参数 c 和 g 呢？ libsvm 的 python ⼦⽬录下⾯的 grid.py 可以帮助我们。 此时。其中安

       è£… python2.5 需要（⼀般默认安装到 c:/python

       ä¸‹ï¼‰ï¼Œå°† gnuplot 解压。安装解压完毕后，进⼊ /libsvm/tools ⽬录下，⽤⽂本编辑器（记事

       æœ¬ï¼Œ edit 都可以）修改 grid.py ⽂件，找到其中关于 gnuplot 路径的那项（其默认路径为

       gnuplot_exe=r"c:/tmp/gnuplot/bin/pgnuplot.exe" ），根据实际路径进⾏修改，并保存。然

       åŽï¼Œå°† grid.py 和 C:/Python ⽬录下的 python.exe ⽂件拷贝到 libsvm/windows ⽬录下，键⼊以下命令： $ python grid.py

       train.1.scale 执⾏后，即可得到最优参数 c 和 g 。

       å¦å¤–，⾄于下 libsvm 和 python 的接⼝的问题，在 libsvm2. 中林⽼师已经帮助我们解决，在/libsvm/windows/python ⽬录下⾃带了 svmc.pyd 这个⽂件，将该⽂件⽂件复制到

       @微生豪资料集合分享

       libsvm/python ⽬录下，同时，也将 python.exe ⽂件复制到该⽬录下，键⼊以下命令以检验效

       æžœï¼ˆæ³¨æ„ï¼š .Py ⽂件中关于 gnuplot 路径的那项路径⼀定要根据实际路径修改）：

       python svm_test.py

       å¦‚果能看到程序执⾏结果，说明 libsvm 和 python 之间的接⼝已经配置完成，以后就可以直接在python 程序⾥调⽤ libsvm 的函数了！

       5 ） 采⽤最佳参数 C 与 g 对整个训练集进⾏训练获取⽀持向量机模型

       $ svmtrain –c x –g x –v x training_set_file [model_file]

       x 为上述得到的最优参数 c 和 g 的值， v 的值⼀般取 5 。

       6 ）利⽤获取的模型进⾏测试与预测

       ä½¿⽤ Svmtrain 训练好的模型进⾏测试。输⼊新的 X 值，给出 SVM 预测出的 Y 值

       $ Svmpredict test_file model_file output_file

       å¦‚： ./svm-predict heart_scale heart_scale.model heart_scale.out

       Accuracy = .% (/) (classification)

       è¿™⾥显⽰的是结果

       ⼀个具体使⽤的例⼦。

       ä»¥ libsvm 中的 heart_scale 作为训练数据和测试数据，同时已经将 python 安装⾄ c 盘，并将grid.py ⽂件中关于 gnuplot 路径的默认值修改为实际解压缩后的路径，将

       heart_scale 、 grid.py 和 python.exe 拷贝⾄ /libsvm/windows ⽂件夹下。

       ./svm-train heart_scale

       optimization finished, #iter =

       nu = 0.

       obj = -., rho = 0.

       nSV = , nBSV =

       Total nSV =

       æ­¤æ—¶ï¼Œå·²ç»å¾—到 heart_scale.model ，进⾏预测：

       ./svm-predict heart_scale heart_scale.model heart_scale.out

       Accuracy = .% (/) (classification)

       æ­£ç¡®çŽ‡ä¸º Accuracy = .% 。

       ./python grid.py heart_scale

       å¾—到最优参数 c= ， g=0..

       ./svm-train -c -g 0. heart_scale 得到 model 后，由 ./svm-predict heart_scale heart_scale.model

       heart_scale.out 得到的正确

       çŽ‡ä¸º Accuracy = .%.这块还有点迷惑？为什么正确率降低了？

       å½“然也可以结合subset.py 和 easy.py 实现⾃动化过程。

       @微生豪资料集合分享

       å¦‚果要训练多次，可以写个批处理程序省好多事。

       è¿™⾥举个例⼦：

       ::@ echo off

       cls

       :: split the data and output the results

       for /L %%i in (1,1,) do python subset.py b.txt b(%%i).in8 b(%%i).out2

       for /L %%i in (1,1,) do python easy.py b(%%i).in8 b(%%i).out2 >> result.txt

       è¿™æ®µæ‰¹å¤„理代码⾸先调⽤subset.py对⽂件b.txt执⾏次分层随机抽样(对数据进⾏-%分割)然后调⽤easy.py 进⾏次参数寻优，把记录结果写到result.txt中

       ï¼ˆåŒ…括次训练的分类准确率和参数对）。

       è¿˜å¯ä»¥è°ƒ⽤fselect.py进⾏特征选择，调⽤plotroc.py进⾏roc曲线绘制。

       å…ˆå†™åˆ°è¿™⾥吧，希望能和⼤家⼀起学习libsvm，进⼀步学好svm。

       æ‰“å¼€APP获取全文

       

       å·²ç²¾é€‰svm模型训练后...会员文档篇

       

       MATLAB中SVM（支持向量机）的用法

       äººé˜…读

       

       OpencvSVM支持向量机参数与优化：

       8人阅读

       

       SVM参数设置及各种参数意义

       äººé˜…读

       

       sklearnsvm调参_SVM调优详解·messi的博客

开发技巧：大佬们都在用的4种人脸检测方法，速度快、精度高

       这是一篇专门为AI初学者准备的文章，深入解析了四种常见的人脸检测方法，并对比了它们的优缺点。同时，我从资深AI开发者的角度，提供了一些开发技巧和建议，帮助大家找到最适合自己的方法。

       在这里，你可以学习到关于AI深度学习的人脸检测技巧、建议和最佳实践，以及如何使用OpenCV和dlib实现高精度的人脸检测。

       首先，让我们回顾一下在构建自己的计算机视觉管道时，会遇到的四个主要人脸检测器：

       接下来，我们将对比以上几种方法的优缺点，并给出我对于何时使用特定人脸检测器的个人建议。

       OpenCV的Haar级联人脸检测器是一种快速的人脸检测器，但可能会出现误报。它的优点是速度非常快，缺点是可能会误报检测。

       优点：

       缺点：

       建议：当速度是最关键因素时，可以考虑使用Haar级联，但愿意牺牲一些准确性以换取实时性能。

       如果你正在使用嵌入式设备，如RPi、Jetson Nano或Google Coral，可以考虑使用OpenCV的深度学习人脸检测器。

       OpenCV的深度学习人脸检测器基于SSD模型，既准确又快速，可以在现代笔记本电脑/台式机CPU上实时运行。

       优点：

       缺点：

       建议：OpenCV的深度学习人脸检测器是一个全能型检测器，使用简单，无需额外库，且依赖于OpenCV的cv2.dnn模块。

       此外，如果你使用的是嵌入式设备，如Raspberry Pi，可以插入Movidius NCS并利用OpenVINO轻松获得实时性能。

       然而，我发现该模型对深色皮肤的人面部检测不如浅肤色的人准确，这可能是由于训练数据的问题。

       HOG + 线性 SVM是物体检测/人脸检测的经典算法，当需要比Haar级联更高的准确性，但又无法承担基于深度学习的检测器的计算复杂性时，可以考虑使用它。

       优点：

       缺点：

       建议：HOG + Linear SVM是每个计算机视觉开发者都应该了解的经典对象检测算法。该算法本身非常慢，尤其是当你将其与OpenCV的SSD人脸检测器进行比较时。

       我倾向于在Haar级联不够准确的地方使用HOG + 线性 SVM，但不能保证使用OpenCV的深度学习人脸检测器。

       Dlib的CNN人脸检测器是最准确的，但速度较慢。当需要准确性高于一切时，可以使用它。

       优点：

       缺点：

       建议：在离线批量处理人脸检测时，我倾向于使用dlib的MMOD CNN人脸检测器，这意味着我可以设置我的脚本并让它以批处理模式运行，而不必担心实时性能。

       事实上，当我为人脸识别构建训练集时，我经常在训练人脸识别器本身之前使用dlib的CNN人脸检测器来检测人脸。

       我倾向于不使用dlib的CNN面部检测器的唯一地方是当我使用嵌入式设备时。该模型不会在嵌入式设备上实时运行，它与Movidius NCS等开箱即用的嵌入式设备加速器不兼容。

       如果你需要准确的人脸检测，请使用dlib的MMOD CNN人脸检测器。

       要获得良好的全方位人脸检测器，请使用OpenCV的基于深度学习的人脸检测器。它准确且能够在现代笔记本电脑和台式机上实时运行。

       当谈到一个好的、通用的人脸检测器时，我建议使用OpenCV的DNN人脸检测器：

       有时候，你可能会想要使用上面提到的每个人脸检测器，因此请务必仔细阅读每个部分。

       我们TSINGSEE青犀视频的研发人员近期也在积极开发人脸检测、人脸识别、人流量统计、安全帽检测等AI技术，并积极融入到现有的视频平台中。