在使用cuda进行编程之前，我们不妨再来看看OpenCV中的效果是什么样子的，那么这一次，我将使用OpenCV来进行HOG+SVM的行人检测。 事实上，HOG+SVM在行人检测上的应用在网上已经有了非常丰富的资料，可以说，这个技术相对来说是比较成熟的，那么此次应用OpenCV进行行人检测的实现主要目的如下： 1.了解HOG+SVM在行人检测上的实际效果，并借此熟悉OpenCV中相关程序的编写 2.比较CPU与GPU的运行差别 3.引入我对HOG以及SVM的原理性学习 事实上，我们可以参考http://docs.opencv.org/2.4.9/modules/refman.html（即OpenCV的API档案）来学习OpenCV，并查找你需要的函数，了解各个参数的含义以及使用要求！这次我们调用的是OpenCV中关于gpu detect部分，于是我们可以参考如下：http://docs.opencv.org/2.4.9/modules/gpu/doc/object_detection.html 比如说detectMultiScale函数，如下图所示：

 这里要注意padding要是（0，0）！ 这里废话就不多说，直接上程序（这里只上gpu程序，普通的cv程序，大家应该都懂）   C代码   

1. #include "stdio.h"  
2. #include "opencv2/core/core.hpp"  
3. #include "opencv2/highgui/highgui.hpp"  
4. #include "opencv2/imgproc/imgproc.hpp"  
5. #include "opencv2/gpu/gpu.hpp"  
6. #include "opencv2/ml/ml.hpp"  
7. #include "cuda.h"  
8. #include "cuda_runtime_api.h"  
9. using namespace std;  
10. using namespace cv;  
11. using namespace cv::gpu;  
12. int main(int argc, char** argv)    
13. {  
14.     cudaSetDevice(0);  
15.     cudaFree(0);        
16.     size_t j = 0;  
17.     int k = 0;  
18.     int count = 0;  
19.     int avrTime = 0;  
20.     for (j = 0; j < 100; ++ j)  
21.     {  
22.         cout << count << endl;   
23.         char img[100] = "";  
24.            sprintf(img, "./temp/image%d.jpg", count+1);  
25.         cv::Mat image = cv::imread(img);    
26.            
27.         if (image.empty())    
28.         {    
29.         std::cout<<"read image failed"<
30.         }    
31.         double start = (double)getTickCount();  
32.         gpu::GpuMat image_gpu(image);   
33.         GpuMat gray_gpu;  
34.         gpu::cvtColor(image_gpu, gray_gpu, COLOR_BGR2GRAY);  
35.             //Mat gray;  
36.         //cvtColor(image, gray, COLOR_BGR2GRAY);  
37.         // 1. 定义HOG对象    
38.         cv::gpu::HOGDescriptor hog; // 采用默认参数    
39.        
40.         // 2. 设置SVM分类器    
41.         hog.setSVMDetector(cv::gpu::HOGDescriptor::getDefaultPeopleDetector());   // 采用已经训练好的行人检测分类器    
42.         // 3. 在测试图像上检测行人区域    
43.         std::vector regions;        
44.         hog.detectMultiScale(gray_gpu, regions, 0, cv::Size(8,8), cv::Size(0,0), 1.05, 1);   
45.         double t = ((double)getTickCount() - start)/getTickFrequency();  
46.         // 显示    
47.         for (size_t i = 0; i < regions.size(); i++)    
48.         {    
49.         cv::rectangle(image, regions[i], cv::Scalar(0,0,255), 2);    
50.         }    
51.   
52.         cout << "时间: " << t * 1000 <<"ms"<< endl;   
53.             avrTime = avrTime + t * 1000;  
54.         //char result[100] = "";  
55.            //sprintf(result, "./result/image%d.jpg", count+1);  
56.             //imwrite(result, image);  
57.         imshow("hog", image);    
58.         waitKey(1);    
59.         count ++;  
60.   }   
61.   cout << "time is : " << avrTime / 100 <<"ms"<< endl;   
62.     return 0;    
63.  }  

这里为了方便了解算法运行的具体时间，我把测试图（100张）的运行平均时间计算出来，以此为准   可以发现，gpu的运行时间：
若我们把程序改成普通cpu运行（就是把gpu有关的改成普通的函数和mat），运行时间：
  注意：上回书说道，第一次运行CUDA是慢的，这里我们把头两句话注释掉：     //cudaSetDevice(0);
    //cudaFree(0);  结果如下：
第一次时间果真是要长很多，所以说，这两句话还是必要的，目的是第一次开启CUDA连接，第二次开始速度将变得更快。
  这里我使用的训练样本是OpenCV自带的训练样本，HOG特征是其内部完成的，我使用的测试样本是100张连续的行人图片。已上传！ 最后得到的结果


转：https://lps-683.iteye.com/blog/2281273