行人检测算法（ICF DPM）&CCV（A Morden Computer Vision Library）的使用&VisualBox下使用Ubuntu

由于最近要用到ICF，DPM等新的行人检测算法，找到了开源库CCV http://libccv.org/tutorial/ ，但代码是在linux平台下的，公司机器又不允许自己装双系统，就使用了Visual Box+Ubuntu来进行实现，具体的实现步骤如下：

一、安装VisualBox+Ubuntu

1 下载VisualBox https://www.virtualbox.org/

2 下载Ubuntu http://www.ubuntu.com/download ，下载和自己CPU位数一致的版本，避免不必要的错误

3 记得在BIOS里打开CPU虚拟支持，如果你Windows有HyperV远程服务，需要关闭

4 安装好VisualBox后，新建，选择对应的版本，一路默认到底。然后在设置里找到Storage选项，在ControlIDE里添加下载的Ubuntu*.iso

5 启动进行安装即可

二、Windows和VisualBox中的Ubuntu文件共享

1 在VisualBox的设置里找到共享文件夹，选中一个文件夹作为共享文件夹，比如选中一个名为share的文件夹

2 在Ubuntu下mkdir一个新的文件，比如在/home下mkdir sharevm

3 命令：sudo mount -t vboxsf share /home/sharevm  即可共享

三、安装CCV

1  git clone https://github.com/liuliu/ccv.git

2 git checkout stable # switch to stable branch

3 下载一些依赖库

sudo apt-get install clang libjpeg-dev libpng-dev libfftw3-dev libgsl0-dev libblas-dev liblinear-dev libblas-dev

4 cd lib

./configure force

5 cd ../bin

make

6 make完成后可以看到bin里面生成很多的可执行文件

四、使用ICF DPM进行行人检测

ICF：

./icfdetect <Your Image contains Pedestrians> ../samples/pedestrian.icf | ./icfdraw.rb <Your Image contains Pedestrians> output.png

DPM：

./dpmdetect <Your Image contains Pedestrians> ../samples/pedestrian.m | ./dpmdraw.rb <Your Image contains Pedestrians> output.png

详细的使用可参考文档或以下网址

ICF：http://libccv.org/doc/doc-icf/

DPM：http://libccv.org/doc/doc-dpm/

时间： 2024-10-19 03:07:48

行人检测算法（ICF DPM）&CCV（A Morden Computer Vision Library）的使用&VisualBox下使用Ubuntu的相关文章

行人检测

最近一直在看行人检测的论文,对目前的行人检测做大概的介绍. 行人检测具有极其广泛的应用:智能辅助驾驶,智能监控,行人分析以及智能机器人等领域.从2005年以来行人检测进入了一个快速的发展阶段,但是也存在很多问题还有待解决,个人觉得主要还是在性能和速度方面还不能达到一个权衡. 1.行人检测的现状(大概可以分为两类) (1).基于背景建模:利用背景建模方法,提取出前景运动的目标,在目标区域内进行特征提取,然后利用分类器进行分类,判断是否包含行人: 背景建模目前主要存在的问题:(背景建模的方法总结可以

利用Hog特征和SVM分类器进行行人检测

在2005年CVPR上,来自法国的研究人员Navneet Dalal 和Bill Triggs提出利用Hog进行特征提取,利用线性SVM作为分类器,从而实现行人检测.而这两位也通过大量的测试发现,Hog+SVM是速度和效果综合平衡性能较好的一种行人检测方法.后来,虽然很多研究人员也提出了很多改进的行人检测算法,但基本都以该算法为基础框架.因此,Hog+SVM也成为一个里程表式的算法被写入到OpenCV中.在OpenCV2.0之后的版本,都有Hog特征描述算子的API,而至于SVM,早在OpenC

行人检测1（总结）

最近一直在看行人检测的论文,对目前的行人检测做大概的介绍. 行人检测具有极其广泛的应用:智能辅助驾驶,智能监控,行人分析以及智能机器人等领域.从2005年以来行人检测进入了一个快速的发展阶段,但是也存在很多问题还有待解决,个人觉得主要还是在性能和速度方面还不能达到一个权衡. 1.行人检测的现状(大概可以分为两类) (1).基于背景建模:利用背景建模方法,提取出前景运动的目标,在目标区域内进行特征提取,然后利用分类器进行分类,判断是否包含行人: 背景建模目前主要存在的问题:(背景建模的方法总结可以

DPM目标检测算法(毕业论文节选)

各位看客,如发现错误(应该还有蛮多--),望不吝指教.训练部分没有写 以前写的部分内容: DPM(Deformable Parts Model)--原理(一) DPM(Defomable Parts Model) 源码分析-检测(二) DPM(Defomable Parts Model) 源码分析-训练(三) 推荐阅读: DPM: http://blog.csdn.net/masibuaa/article/category/2267527 HOG: HOG(毕业论文节选) DPM目标检测算法 D

ROS：kcf算法+行人检测 = 让机器人自动识别并追踪行人

实现目标:机器人检测到有人走过来,迎上去并开始追踪. 追踪算法使用kcf算法,关于kcf追踪的ros库在github地址 https://github.com/TianyeAlex/tracker_kcf_ros,kcf算法是目前追踪算法中比较好的,程序跑起来后效果也是不错的.我能力有限,在这里不作介绍.有兴趣的可以去研究一下.这里主要讲一下在次基础上添加行人检测,做到自动追踪. 训练库地址:http://download.csdn.net/detail/yiranhaiziqi/9711174

基于人体部件小边特征的多行人检测和跟踪算法

基于人体部件小边特征的多行人检测和跟踪算法 detection tracking edgelet feature multiple occluded human Bayesian combination 读"B. Wu, R. Nevatia. Detection and tracking of multiple, partially occluded humans by Bayesian combination of edgelet based part detectors[J],IJCV,7

行人检测3（行人检测最新论文简介）

序号 文章简介 论文 出处 0 2012年PAMI登的行人检测的综述性文章: pedestrian detection an evaluation of the state of the art 作者:Piotr Dollar 文中对比了很多最新的行人检测的算法.这篇论文简称为PAMI2012 pedestrian detection an evaluation of the state of the art   1 PAMI2012综述文章中,排名第一的算法: New Features and

行人检测 综述 （6）

由于课程作业,总结下近期国内关于行人检测的文献,虽然是2013 2014年写的,但是综述的内容还都是经典的东西.作为浏览回顾就行. 许腾,黄铁军,田永鸿 . 车载视觉系统中的行人检测技术综述［J］. 中国图象图形学报,2013,18( 4) : 359 -367. 本文对 2005 年以来该技术中最重要的两个环节---感兴趣区域分割以及目标识别的研究现状进行综述. 1 ROIs ( regions of interest) 分隔 ROIs的分隔方法主要有这五类:1. 基于运动 2. 基于立体视觉

第二十八节、基于深度学习的目标检测算法的综述

在前面几节中,我们已经介绍了什么是目标检测,以及如何进行目标检测,还提及了滑动窗口,bounding box.以及IOU,非极大值抑制等概念. 这里将会综述一下当前目标检测的研究成果,并对几个经典的目标检测算法进行概述,本文内容来自基于深度学习的目标检测,在后面几节里,会具体讲解每一种方法. 在深度度学习的目标检测算法兴起之前,传统的目标检测算法是怎样的呢? 传统的目标检测一般使用滑动窗口的框架,主要包括三个步骤: 利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域: 提取候选区域相关的视觉特