代码实现

01

新建SVM识别项目

我们新建一个opencv-svm的项目，然后在源文件中新建一个svmpredict.cpp文件。

02

定义参数

程序开始时，我们加入了训练文件的定义位置，还有在opencv-svmtrain项目中的那个hog_deal的方法。

03

目标检测

★ 检测流程 ★

1.加载训练文件

//加载训练文件
cv::Ptr<cv::ml::SVM> svm = cv::ml::SVM::load(trainfile);

2、3.加视频文件读取每一帧

上面的红框是读取视频文件，然后下面红框while开始就是代表每一帧的读取。

3.当前帧目标检测

我们上一篇介绍hog的时候，默认生成的winRect的Size就是64*128的，一般网上介绍的图像检测也是从当前帧的图像开始第一个块（block）进行平移的检测，最初用了这个方法，检测时间有点长，如果说单张图片检测还可以容忍，但是在视频中就不行了，太卡，所以这里我们换了一个思路进行检测。

划重点

目标检测

为了能够在视频中进行检测，所以我们直接就在先当前图中寻找轮廓，再根据我们自己的定义判断，排除了不太可能的轮廓最后进行识别，这样明显速度快了很多，像开头视频效果那样，并不卡。

★ 检测流程 ★

图像的预处理：高斯模糊，灰度、二值化，闭操作。

寻找轮廓：以前的findContours中没怎么介绍hierarchy，这里上面红框说明应该挺清楚了，下面的红框可以屏蔽后看看视频2的效果，应该就知道为什么要加上这个了，推荐大家下了DEMO后自己试试。

排除不可能的轮廓：这里面我自己定义的是宽高不能小于图像的5分之1，这里也可以自己调试看看。

目标检测：开始还是用了hog_deal进行了预处理，下面的目标识别很简单的，就一个

//进行svm的预测

float result = svm->predict(one_row);

当结果大于0就说明匹配了，我们再用红色画个矩形框即可。

视频中截图

-END-