66基于OpenCV的行人检测 实战：基于openCV的行人检测（三）

任务描述
在前面的任务中我们介绍了使用OpenCV进行样本数据处理，以及使用HOG特征训练SVM，在本次任务中，我们将会基于OpenCV，使用训练好的SVM分类器来预测图片中行人的位置，并使用非极大值抑制来提升检测效果。

相关知识
为了完成本关任务，你需要了解：

保存训练好的模型；
加载训练好的模型对测试图像进行测试；
使用非极大值抑制优化检测结果。
保存和加载训练好的SVM模型
根据使用的OpenCV中的库的不同，有不同的加载方式，其中：

# 第一类：使用cv2.HOGDecriptor保存和加载模型
hog = cv2.HOGDescriptor()
hog.setSVMDetector(svm)    #导入SVM模型参数
hog.save("HogDector.bin")   #保存模型
hog1 = cv2.HOGDescriptor()  
hog1.load("HogDector.bin")   #加载模型
#第二类：使用ml库中的SVM类来保存和加载模型
svm = cv2.ml.SVM_create()         #创建模型
svm.setKernel(cv2.ml.SVM_LINEAR)    #设置参数
......
svm.save("svm.mat")             #保存模型
svm1 = cv2.ml.SVM_load("svm.mat")   #加载已有模型
这里我们使用的是第一种方式，使用cv2.HOGDecriptor保存和加载模型。

加载训练好的模型对测试图像进行测试
使用训练好的模型对图形进行预测，前期的准备工作和训练一致，都需要读取并处理图像数据，需要注意的一点是，在对图像进行预处理时，我们需要将测试图像的大小调整为与训练图像的大小一致，否则可能出现模型中参数的维度与测试样本数据的维度不匹配，从而无法正常进行预测。在任务九中我们有提到，OpenCV有封装好的行人检测器，但是为了更贴合我们自己的应用场景需求，我们使用自己训练的模型来进行预测，因此加载训练模型我们选择上一小节中的第一类方式，使用cv2.HOGDecriptor保存和加载模型，另外为了节省时间，这里我们不放取完整的训练预测数据集，仅仅放上其中的一小部分，以供同学们熟悉整个流程，测试的时候我们不使用这一小部分数据训练得到的模型，而是使用完整数据集离线训练好的模型来进行测试。

使用非极大值抑制优化检测结果
在第七个任务中，我们介绍并使用Python实现了非极大值抑制算法，用于对检测问题中产生的大量候选框进行后处理，去除冗余候选框，得到最具代表性结果，其具体流程如下：

根据候选框的类别分类概率进行排序A<B<C<D<E<F，保留最大概率候选框F；
遍历判断其他候选框与F框的重叠度IOU是否大于设定阈值，若大于则删除，直至所有候选框都被处理；
编程要求
本次任务主要实现使用已训练好的模型检测样本图像中行人的存在，并使用非极大值抑制提升检测效果。

根据提示，在右侧编辑器补充代码，针对给定的注释提示进行对应操作。具体要求如下：

加载已有模型“Detector.bin”；
使用非极大值抑制优化检测结果。
平台将以图像的形式显示您的行人检测结果。

测试说明
平台会对你编写的代码进行测试：

预期输出：
org_resutl_len 3
after_NMS_len =  2

import cv2
import numpy as np
import random
from NMS import *
from utils import *

######## Begin1 ########

# 创建并加载已训练好的模型：/data/workspace/myshixun/Dector.bin
hog = cv2.HOGDescriptor()
hog.load("/data/workspace/myshixun/Dector.bin")
######## End1 ########

image = cv2.imread("/data/workspace/myshixun/INRIA/Test/person_007.png")
#cv2.imshow("image", image)
#cv2.waitKey(0)
rects, scores = hog.detectMultiScale(image, winStride=(4, 4),padding=(8, 8), scale=1.05)
 
# fastNonMaxSuppression第一个参数
for i in range(len(rects)):
    r = rects[i]
    rects[i][2] = r[0] + r[2]
    rects[i][3] = r[1] + r[3]

# fastNonMaxSuppression第二个参数
sc = [score[0] for score in scores]
sc = np.array(sc)
 
pick = []
######## Begin2 ########

# 使用非极大值抑制算法fastNonMaxSuppression优化检测结果
pick = fastNonMaxSuppression(rects, sc, overlapThresh=0.2)

######## End2 ########

test_task10(rects, pick)

image1 = image.copy()

# 在图像上显示检测结果
for (x, y, xx, yy) in pick:
    #print (x, y, xx, yy)
    cv2.rectangle(image1, (int(x), int(y)), (int(xx), int(yy)), (0, 0, 255), 2)
    
cv2.imwrite("/data/workspace/myshixun/step10_img/org_result.png",image)
cv2.imwrite("/data/workspace/myshixun/step10_out/after_nms_result.png",image1)