OpenCV物体检测全攻略：C++实现Haar、HOG与深度学习的三种方法

在C++中使用OpenCV进行物体识别与检测有多种方法，以下是三种常见的方法：

1. Haar级联分类器（Haar Cascade Classifier）

Haar级联分类器是一种基于Haar特征的机器学习对象检测方法。OpenCV提供了预训练的Haar级联分类器用于检测人脸、眼睛等常见物体。

步骤：

加载预训练的Haar级联XML文件。
将输入图像转换为灰度图（Haar级联通常在灰度图上工作）。
使用CascadeClassifier::detectMultiScale函数检测物体。

代码示例：


#include <opencv2/opencv.hpp>
#include <iostream>
int main() {
    cv::CascadeClassifier face_cascade;
    if (!face_cascade.load("haarcascade_frontalface_default.xml")) {
        std::cerr << "Error loading haarcascade_frontalface_default.xml" << std::endl;
        return -1;
    }
    cv::Mat img = cv::imread("image.jpg");
    if (img.empty()) {
        std::cerr << "Error reading image" << std::endl;
        return -1;
    }
    cv::Mat gray;
    cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);
    cv::equalizeHist(gray, gray);
    std::vector<cv::Rect> faces;
    face_cascade.detectMultiScale(gray, faces);
    for (size_t i = 0; i < faces.size(); i++) {
        cv::rectangle(img, faces[i], cv::Scalar(255, 0, 0), 2);
    }
    cv::imshow("Detected Faces", img);
    cv::waitKey(0);
    return 0;
}
#include <opencv2/opencv.hpp>
#include <iostream>

int main() {
    cv::CascadeClassifier face_cascade;
    if (!face_cascade.load("haarcascade_frontalface_default.xml")) {
        std::cerr << "Error loading haarcascade_frontalface_default.xml" << std::endl;
        return -1;
    }

    cv::Mat img = cv::imread("image.jpg");
    if (img.empty()) {
        std::cerr << "Error reading image" << std::endl;
        return -1;
    }

    cv::Mat gray;
    cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);
    cv::equalizeHist(gray, gray);

    std::vector<cv::Rect> faces;
    face_cascade.detectMultiScale(gray, faces);

    for (size_t i = 0; i < faces.size(); i++) {
        cv::rectangle(img, faces[i], cv::Scalar(255, 0, 0), 2);
    }

    cv::imshow("Detected Faces", img);
    cv::waitKey(0);
    return 0;
}
#include <opencv2/opencv.hpp>
#include <iostream>

int main() {
    cv::CascadeClassifier face_cascade;
    if (!face_cascade.load("haarcascade_frontalface_default.xml")) {
        std::cerr << "Error loading haarcascade_frontalface_default.xml" << std::endl;
        return -1;
    }

    cv::Mat img = cv::imread("image.jpg");
    if (img.empty()) {
        std::cerr << "Error reading image" << std::endl;
        return -1;
    }

    cv::Mat gray;
    cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);
    cv::equalizeHist(gray, gray);

    std::vector<cv::Rect> faces;
    face_cascade.detectMultiScale(gray, faces);

    for (size_t i = 0; i < faces.size(); i++) {
        cv::rectangle(img, faces[i], cv::Scalar(255, 0, 0), 2);
    }

    cv::imshow("Detected Faces", img);
    cv::waitKey(0);
    return 0;
}

2. HOG描述符与线性SVM（Histogram of Oriented Gradients + SVM）

HOG（Histogram of Oriented Gradients）是一种特征描述符，结合线性SVM分类器，可以用于物体检测，特别是在行人检测中表现良好。

步骤：

计算图像的HOG描述符。
使用预训练的SVM模型对HOG描述符进行分类。
OpenCV提供了HOGDescriptor类来实现这一功能。

注意：相比Haar级联，这种方法通常需要更多的计算资源，但可能在某些情况下提供更高的准确性。

3. 深度学习模型（如YOLO、SSD、Faster R-CNN）

近年来，基于深度学习的物体检测模型（如YOLO、SSD、Faster R-CNN）在准确性和速度上均取得了显著进展。OpenCV的DNN模块支持加载和运行这些模型。

步骤：

使用OpenCV的DNN模块加载预训练的深度学习模型（如Caffe、TensorFlow、ONNX格式）。
预处理输入图像（如调整大小、归一化）。
进行前向传播以获取检测结果。
解析检测结果并绘制边界框。

代码示例（伪代码，具体实现因模型而异）：


#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>
#include <iostream>
int main() {
    cv::dnn::Net net = cv::dnn::readNetFromONNX("model.onnx");
    cv::Mat img = cv::imread("image.jpg");
    // Preprocess image (resize, blobFromImage, etc.)
    cv::Mat blob = cv::dnn::blobFromImage(img, 1.0/255.0, cv::Size(416, 416), cv::Scalar(), true, false);
    net.setInput(blob);
    cv::Mat detections = net.forward();
    // Parse detections and draw bounding boxes
    // (Implementation depends on the specific model output format)
    cv::imshow("Detections", img);
    cv::waitKey(0);
    return 0;
}
#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>
#include <iostream>

int main() {
    cv::dnn::Net net = cv::dnn::readNetFromONNX("model.onnx");

    cv::Mat img = cv::imread("image.jpg");
    // Preprocess image (resize, blobFromImage, etc.)
    cv::Mat blob = cv::dnn::blobFromImage(img, 1.0/255.0, cv::Size(416, 416), cv::Scalar(), true, false);

    net.setInput(blob);
    cv::Mat detections = net.forward();

    // Parse detections and draw bounding boxes
    // (Implementation depends on the specific model output format)

    cv::imshow("Detections", img);
    cv::waitKey(0);
    return 0;
}
#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>
#include <iostream>

int main() {
    cv::dnn::Net net = cv::dnn::readNetFromONNX("model.onnx");

    cv::Mat img = cv::imread("image.jpg");
    // Preprocess image (resize, blobFromImage, etc.)
    cv::Mat blob = cv::dnn::blobFromImage(img, 1.0/255.0, cv::Size(416, 416), cv::Scalar(), true, false);

    net.setInput(blob);
    cv::Mat detections = net.forward();

    // Parse detections and draw bounding boxes
    // (Implementation depends on the specific model output format)

    cv::imshow("Detections", img);
    cv::waitKey(0);
    return 0;
}