C++使用opencv调用级联分类器来识别目标物体

使用编译器：Qt Creator 4.2.1  前言：

相较于帧差法捕捉目标物体识别，级联分类器识别目标物体更加具有针对性，使用前者只要是动的物体都会被捕捉识别到，画面里有一点风吹草动，都会被捕捉识别下来，如果我想识别具体的人或者物，都无法做到精准的目标识别，所以有了级联分类器识别（即模型识别），会按照训练好的级联分类器（模型）来进行目标识别

目录

流程讲解：

1.创建一个级联分类器对象

2.创建一个视频流

3.将传入的视频帧转换为灰度图

4.将多余的空通道进行压缩

5.直方图均衡化

 6.调用级联分类器,并将内容框出,然后将此帧显示出来

代码：

---

流程讲解： 1.创建一个级联分类器对象

创建一个级联分类器对象，并读取已经已经训练好的模型

    CascadeClassifier cascade;//级联分类器(模型)
    cascade.load("D:/Qt_Opencv_Project/cars.xml");//读取级联分类器

2.创建一个视频流

读取一个要识别的视频路径

    Mat frame;
    VideoCapture cap("D:/VideoTraining/carMove.mp4");
    while (cap.read(frame))
    {
        imshow("video",frame);//将读到的帧显示出来
        datectCarDaw(frame,cascade,2);//将读到的帧传入函数用作识别
        waitKey(25);//延时25ms,避免播放过快
    }

3.将传入的视频帧转换为灰度图

转换为灰度图,色彩通道缩小一半,减少图片数据计算量,提升计算速度

    Mat gray;
    //转换为灰度图,色彩通道缩小一半
    cvtColor(frame,gray,CV_RGB2GRAY);

效果如下：

4.将多余的空通道进行压缩

原通道为RGB三通道图片数据，转换为灰度图后，变为单通道数据，多余的通道可以压缩掉,可以看到图片减小三分之二

    //再将灰度图缩小一半
    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:

5.直方图均衡化

将缩小一半的灰度图进行均衡化,使其更加黑白分明,增强局部的对比度,便于计算机识别

    //直方图均衡化:将缩小一半的灰度图进行均值化   使其更加黑白分明
    equalizeHist(smalling,smalling);

效果如下：

 6.调用级联分类器,并将内容框出,然后将此帧显示出来

调用读取已经训练好的模型，调用deteclass="superseo">ctMultiScale函数器参数含义为：

待检测的图片帧（此处为均衡化后的图片帧）

被检测物体的矩形向量容器（调用前声明了一个向量容器cars）

每次搜索减小的图像比例（每次缩小1.05倍，扫描的细致一点）

检测目标周围相邻矩形的最小个数（此处设为5个，此处视道路情况可以适当增加个数）

类型（扫描类型）

目标区域可能的最小尺寸（此处为25*25，太小了会识别不到，太大了可能几辆车贴的很近可能只能识别出一辆）

    //调用级联分类器进行模型匹配并框出内容
    vectorcars;
    //此函数参数说明: 待检测的图片帧  被检测物体的矩形向量容器  每次搜索减小的图像比例  
    //检测目标周围相邻矩形的最小个数(此处设为2个) 类型 目标区域的大小尺寸
    cascade.detectMultiScale(smalling,cars,1.05,5,0|CV_HAAR_SCALE_IMAGE,Size(25,25));
    
    vector::const_iterator iter;
    //绘制方块,标记目标,注意,标记要画在原帧上,要讲方框的大小和帧坐标扩大,因为是根据灰度图识别的,灰度图被缩小了
    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：

循环显示每一帧，最终成果展示：

博主所使用的这个模型训练的样本较为有限，主要训练的是普通轿车的车头，车尾训练较少，货车等其他车型没有做特别的训练，所以只能保证识别轿车的车头

代码：

#include 
#include 
using namespace cv;
using namespace std;

void datectCarDaw(Mat &frame,CascadeClassifier cascade,double scale)
{
    Mat gray;
    //转换为灰度图,色彩通道缩小一半
    cvtColor(frame,gray,CV_RGB2GRAY);
    //imshow("huidu",gray);
    //再将灰度图缩小一半
    Mat smalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);
    resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);

    //直方图均衡化:将缩小一半的灰度图进行均值化   使其更加黑白分明
    equalizeHist(smalling,smalling);
    //imshow("smalling",smalling);
    //调用级联分类器进行模型匹配并框出内容
    vectorcars;
    //此函数参数说明: 待检测的图片帧  被检测物体的矩形向量容器  每次搜索减小的图像比例  检测目标周围相邻矩形的最小个数(此处设为2个) 类型 目标区域的大小尺寸
    cascade.detectMultiScale(smalling,cars,1.05,5,0|CV_HAAR_SCALE_IMAGE,Size(25,25));

    vector::const_iterator iter;
    //绘制方块,标记目标,注意,标记要画在原帧上,要讲方框的大小和帧坐标扩大,因为是根据灰度图识别的,灰度图被缩小了
    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;//级联分类器(模型)
    cascade.load("D:/Qt_Opencv_Project/cars.xml");//读取级联分类器
    //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);//将读到的帧显示出来
        datectCarDaw(frame,cascade,2);//将读到的帧传入函数用作识别
        waitKey(25);//延时25ms,避免播放过快
    }

    return 0;
}

看完记得点个赞，您的支持是博主更新的最大动力！

 有兴趣也可以看看无需使用模型但是只能捕捉动态目标的帧差法识别：

C++调用opencv完成运动目标捕捉_一个不同的ID的博客-CSDN博客

Qt Creator配置使用opencv：

Qt Creator下配置opencv环境(文末附带资源)_一个不同的ID的博客-CSDN博客