# HumanDetectionUsingDepth

**Repository Path**: uniubi-opensource/HumanDetectionUsingDepth

## Basic Information

- **Project Name**: HumanDetectionUsingDepth
- **Description**: This is an implementation of a series human detection algorithms which use depth images.
- **Primary Language**: C++
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 1
- **Created**: 2022-03-28
- **Last Updated**: 2024-07-08

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

## 简介
该项目是一系列用深度图进行人体检测的一些机器学习方法的实现，主要方法是通过传统特征算子提取特征，然后训练SVM分类器，通过多尺度滑窗的方式处理整幅图像。
![image](imgs/1.png)
![image](imgs/2.png)
## 包括的论文
**HDD:**  
Wu S, Yu S, Chen W. An attempt to pedestrian detection in depth images[C]//Intelligent Visual Surveillance (IVS), 2011 Third Chinese Conference on. IEEE, 2011: 97-100.  
**SLTP:**  
Yu S, Wu S, Wang L. Sltp: A fast descriptor for people detection in depth images[C]//Advanced Video and Signal-Based Surveillance (AVSS), 2012 IEEE Ninth International Conference on. IEEE, 2012: 43-47.  
**ELDP:**  
Zhong F, Zhang J. Face recognition with enhanced local directional patterns[J]. Neurocomputing, 2013, 119: 375-384.  
**LDP:**
Jabid T, Kabir M H, Chae O. Facial expression recognition using local directional pattern (LDP)[C]//2010 IEEE International Conference on Image Processing. IEEE, 2010: 1605-1608.  
**LTDP:**  
Shen Y, Hao Z, Wang P, et al. A novel human detection approach based on depth map via Kinect[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2013: 535-541.  

## 编译安装 
项目依赖OpenCV3, 假设OpenCV位于D://opencv, 则将CMakeLists.txt中OpenCV_DIR设置为此路径，以方便找到OpenCV.  
项目目前支持Windows，但只是一些目录操作使用了windows API, 去除这部分后即可用于其他平台。 
```
mkdir build && cd build
cmake .. -G "Visual Studio 14 2015 Win64"
``` 

## 训练  
### 数据准备  
准备正负样本图片，其中正样本目录数据为人体图片，训练时会resize为64x128,负样本为背景图片随机抠图。
在训练时，可将负样本原图（即不包含人体）也输入，在训练过程中可进行误检困难样本的挖掘。
### 训练
在trainer.cpp中设置样本路径，模型存放路径以及困难样本的保存路径，设置要训练的特征算子方法，即可开始训练。
在一轮训练后，将在负样本原图上执行算法，并将误检的图片加入训练，再进行一次训练。

## 测试&使用
参考detector.cpp, 输入原图，即可得到预测的检测框。如图：  
![image](imgs/1.png)