openCV 简单实现身高测量（未考虑相机标定，windows）

（一） OpenCV3.1.0+VS2015开发环境配置

下载OpenCV安装包（笔者下载3.1.0版本）
环境变量配置（opencv安装路径\build\x64\vc14\bin，注意的是x64文件夹下分为vc12和vc14两个文件夹，他们对应于VS的版本，vc8 = Visual Studio 2005，vc9 = Visual Studio 2008，vc10 = Visual Studio 2010，vc11 = Visual Studio 2012，vc12 = Visual Studio 2013，vc14 = Visual Studio 2015）
VS2015配置。进入属性管理器（View—>Other Windows—>Property Manger，展开目录，选中Debug|Win64中的Microsoft.Cpp.x64.user，并右键点击属性（Properties）进入属性界面。）

1. 包含目录配置（通用属性（Common Properties）—>VC ++目录—>包含目录（Include Directories））。添加路径：D:\Code\C\opencv\build\include；D:\Code\C\opencv\build\include\opencv；D:\Code\C\opencv\build\include\opencv2
2. 配置库文件目录（Library Directories）。D:\Code\C\opencv\build\x64\vc14\lib（注意VS版本）
3. 配置动态链接库（Linker(链接库)—>Input(输入)—>Additional Dependencies(添加依赖)）。D:\Code\C\opencv\build\x64\vc12\bin路径下的。opencv_world310.lib和opencv_world310d.lib，这里两个库文件的区别就是：opencv_world310.lib是Release模式版本，而opencv_world310d.lib是Debug模式版本。

（二）算法思路

HOG特征提取获得定位矩形框，笔者使用SVM分类优化+多尺度检测获得带有矩形框的dst

/******************************HOG detector************************************************/
    dst = src.clone();
    vector<Rect> findrects, findrect;
    HOGDescriptor HOG;
    //SVM分类器
    HOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());
    //多尺度检测
    HOG.detectMultiScale(src, findrects, 0, Size(4, 4), Size(0, 0), 1.05, 2);
    //若rects有嵌套,则取最外面的矩形存入rect
    for (int i = 0; i < findrects.size(); i++)
    {
        Rect rect = findrects[i];
        int j = 0;
        for (; j < findrects.size(); j++)
            if (j != i && (rect & findrects[j]) == rect)
                break;
        if (j == findrects.size())
            findrect.push_back(rect);
    }
    Rect r;//用来选中所测图像中的测量对象。
    r.height = -1;
    //框选出检测结果并选中图片测量对象
    for (int i = 0; i < findrect.size(); i++)
        r = r.height > findrect[i].height ? r : findrect[i];
  //HOG detector返回的矩形框比真正图像轮廓大，所以我们减少矩形框的大小来使得更符合外界边框
    r.x += cvRound(r.width*0.1);
    r.width = cvRound(r.width*0.8);
    r.y += cvRound(r.height*0.07);
    r.height = cvRound(r.height*0.8);
    Scalar color = Scalar(0,0,255);
    rectangle(dst, r.tl(), r.br(), color, 2);
//    imshow("src", src);
//    imshow("dst", dst);

原图像和得到的dst图像

Grabcut算法分割

/********************************grabCut**********************************************/
    cv::Mat mask = Mat::zeros(src.size(), CV_8UC1);//分割后的结果
    //两个临时矩阵变量，作为算法的中间变量使用
    cv::Mat bgModel, fgModel;
    cv::Rect rectangle(r.tl(),r.br());//图像的前景对象也就是矩形选中图像
    // GrabCut 分段
    cv::grabCut(src,    //输入图像
        mask,   //分段结果
        rectangle,// 包含前景的矩形 
        bgModel, fgModel, // 前景、背景
        1,        // 迭代次数
        cv::GC_INIT_WITH_RECT); // 用矩形
    
    // 得到可能是前景的像素
    //比较函数保留值为GC_PR_FGD的像素
    cv::compare(mask, cv::GC_PR_FGD, mask, cv::CMP_EQ);
    // 产生输出图像
    cv::Mat foreground(src.size(), CV_8UC3, cv::Scalar(0, 0, 0));
    //背景值为 GC_BGD=0，作为掩码
    src.copyTo(foreground, mask);
    imshow("foreground", foreground);

处理后图像

BorderMatting边缘细化处理（由于版权问题，没有相应接口需自己编写）主要思想：把前景颜色值与估计值对比，选择较小的差异值颜色代替，使得平滑最好

/********************************BorderMatting**********************************************/
    BorderMatting bm;
    Mat rst = Mat(src.size(), src.type());
    Mat rstBm;
    src.copyTo(rst);
    for (int i = 0; i<rst.rows; i++)
        for (int j = 0; j < rst.cols; j++)
        {
            if (mask.at<uchar>(i, j) == 0)
                rst.at<Vec3b>(i, j) = Vec3b(255, 255, 255);
        }
    bm.Initialize(src, mask);
    rstBm=bm.Run();
    imshow("bordingmatting", rstBm);

笔者自己创建的BorderMatting类。

结果图：

灰度化、二值化便于计算

/******************************灰度化、二值化************************************************/

    Mat  rstGray, rstBin;
    cvtColor(rstBm, rstGray, CV_BGR2GRAY);//灰度化
//    imshow("灰度图", rstGray);
    threshold(rstGray, rstBin, 100, 255, CV_THRESH_BINARY);//二值化
    imshow("二值图", rstBin);

最长像素距离计算。笔者一开始用欧氏距离遍历计算得到，结果处理时间过长，就采用最简单的简化方法，最长像素点距离≈最高像素点与最低像素点欧氏距离。

/**********************************计算最长像素距离********************************************/
    double MAXPX = 0;
    int x1 = 0, y1 = 0;
    int x2 = 0, y2 = 0;
    int maxX1, maxX2, maxY1, maxY2;
    int i, j;
    int flag = 0;
    for (i = 0; i < rstBin.rows; i++)
    {
        for (j = 0; j < rstBin.cols; j++)
            if (rstBin.at<uchar>(i, j) == 255)
            {
                x1 = i;
                y1 = j;
                flag = 1;
                break;
            }
        if (flag)
            break;
    }
    flag = 0;
    for (i = rstBin.rows; i >= 0; i--)
    {
        for (j = 0; j < rstBin.cols; j++)
            if (rstBin.at<uchar>(i, j) == 255)
            {
                x2 = i;
                y2 = j;
                flag = 1;
                break;
            }
        if (flag)
            break;
    }
    cout << x1 << " " << y1 << endl;
    cout << x2 << " " << y2 << endl;
    line(src, Point(y1, x1), Point(y2, x2), Scalar(0, 0, 255), 3);
/*    for ( i = 1; i <= rstBin.rows*rstBin.cols; i++)//第一个像素点开始遍历
    {
        x1 = i / rstBin.rows;
        y1 = !x1 ? (i - 1) : (i % x1 - 1);
        if (rstBin.at<uchar>(x1, y1) == 0)
            continue;
        for ( j = i + 1; j <= rstBin.rows*rstBin.cols; j++)
        {
            x2 = j / rstBin.rows;
            y2 = !x2 ? (j - 1) : (j % x2 - 1);
            if (rstBin.at<uchar>(x2, y2) == 255)//同为白色像素点时计算距离
            {
                double distance=abs(x2 - x1) +abs(y2 - y1);//避免欧氏距离计算浪费时间
                if (MAXPX < distance)
                {    
                    maxX1 = x1;
                    maxX2 = x2;
                    maxY1 = y1;
                    maxY2 = y2;
                    MAXPX = distance;
                }
            }
        }
    }
    */
    /*MAXPX = sqrt((maxX1 - maxX2)*(maxX1 - maxX2) + (maxY1 - maxY2)*(maxY1 - maxY2));
    cout << MAXPX << endl;
    cout << maxX1 << " " << maxY1 << endl;
    cout << maxX2 << " " << maxY2 << endl;
    line(src, Point(maxY1, maxX1), Point(maxY2, maxX2), Scalar(0, 0, 255), 3);
    */imshow("final", src);