请使用opencv4.6 基于训练好的SVM模型做图片行人检测

这里提供一个基于OpenCV 4.6的行人检测示例代码，使用训练好的SVM模型。

首先，需要下载并解压行人检测训练数据集，例如INRIA Person Dataset，将其中的正样本图片存放在一个文件夹中，将负样本图片存放在另一个文件夹中。

然后，需要使用opencv_traincascade工具训练SVM模型。具体步骤如下：

1. 在正负样本图片所在的文件夹中创建一个文件夹，用于存放生成的样本描述文件和训练结果文件。例如，创建一个名为"cascade"的文件夹。

2. 在命令行中运行以下命令，生成正负样本的描述文件：

opencv_createsamples -info positive.txt -vec positive.vec -num 1000 -w 48 -h 96

其中，positive.txt是正样本图片的描述文件，num表示生成的样本数量，w和h表示生成的样本图片的宽度和高度。

3. 运行以下命令，训练SVM模型：

opencv_traincascade -data cascade -vec positive.vec -bg negative.txt -numPos 800 -numNeg 400 -numStages 10 -w 48 -h 96

其中，negative.txt是负样本图片的描述文件，numPos和numNeg分别表示正样本和负样本的数量，numStages表示训练的阶段数，w和h表示样本图片的宽度和高度。

4. 训练完成后，在cascade文件夹中可以找到生成的SVM模型文件，例如cascade/cascade.xml。

下面是使用训练好的SVM模型进行行人检测的示例代码：

import cv2

# 加载SVM模型
svm = cv2.ml.SVM_load("cascade/cascade.xml")

# 加载测试图片
img = cv2.imread("test.jpg")

# 缩放图片
scale = 2
img = cv2.resize(img, (int(img.shape[1]/scale), int(img.shape[0]/scale)))

# 行人检测
hog = cv2.HOGDescriptor()
hog.setSVMDetector(svm.getSupportVectors())
rects, weights = hog.detectMultiScale(img)

# 绘制检测结果
for i, (x, y, w, h) in enumerate(rects):
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

# 显示结果
cv2.imshow("result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

这段代码将SVM模型加载到svm变量中，使用cv2.HOGDescriptor()创建一个HOG描述子对象，然后使用setSVMDetector()方法将SVM模型设置为检测器。最后，使用detectMultiScale()方法进行行人检测，并使用cv2.rectangle()绘制检测结果。