机器视觉：物体识别与跟踪（车辆检测，实战项目）第一部分：HOG+SVM

HOG + SVM

本文根据梳理Udacity项目vehicle tracking的完成过程，将关键过程描述出来，方便以后复习

HOG （Histogram of Gradient）参考资料：https://blog.csdn.net/abc2412151342/article/details/79904317

本文代码地址：https://github.com/Kidra521/CarND-Vehicle-Detection

本文内容在HOG+SVM.ipynb中

1. 主要步骤

2. to do list

1）加载小汽车图片集，并随机选64张展示出来

2）完成get_hog_features函数。输入图片img、orient数量、cell大小、block大小、是否可视化vis、是否一维feature_vec

  输出：两种情况  features 和 hog_image。    

  使用：输入两张图片，验证效果。

3）完成extract_features函数。输入(imgs, cspace, orient, pix_per_cell, cell_per_block, hog_channel)

   输出：features = 相关层的hog结果。  功能：将图片集中所有的图片都变成features

   使用：将图片集中所有的图片都变成features存在变量X中，label存在y中，shuffle。对比选择不同参数时的提取时间

4）训练一个classifier。LinearSVC。并验证其预测准确率。对比不同参数下的准确率训练时间。输入的图片只是一个slide window里面的图像

5）完成find_cars函数。该函数使用上文classifier来搜索汽车。

   输入（img, ystart, ystop, scale, cspace, hog_channel, svc, X_scaler, orient, pix_per_cell, cell_per_block, spatial_size, hist_bins, show_all_rectangles）。此处输入img为相机原始图像

   输出rectangles一个list用来存放汽车左上角和右下角的像素坐标。

   过程包含ROI-->颜色空间转换-->图片的缩放-->以block为单位确定x,y方向的steps-->根据hog_channel得到整幅图hog_features-->for循环里每一个block得到小的hog_features,并用svc预测-->找到汽车后，按原图的比例反向缩放-->左上角右下角存在rectangle

   使用：读取一张test_img输入进find_cars函数，将find结果展示出来

6）完成draw_boxes函数，用来将boxes绘制在图片中

7）完成add_heat函数。输入(heatmap, bbox_list)输出heatmap

8）完成apply_threshold函数。输入(heatmap,threshold)输出heatmap

9）完成draw_labeled_bboxes函数。输入(img, labels)输出img和rects

10）完成process_frame函数。输入img,输出：draw_img

过程包括：从1）---9）外加labels = label(heatmap_img)

使用：在6张test image中进行测试。在test_video中进行测试

11）写一个Vehicle_Detect类来存储检测到的汽车数据

12）完成process_frame_for_video函数。输入img,输出draw_img.与process-frame函数基本一致.

使用，对一个video进行测试。