SVM+HOG：训练分类器生成.xml文件

Github：
https://github.com/icsfy/Pedestrian_Detection/blob/master/MORE.md

转载：http://blog.csdn.net/masibuaa/article/details/16105073

正样本来源是INRIA数据集中的96*160大小的人体图片，使用时上下左右都去掉16个像素，截取中间的64*128大小的人体。

负样本是从不包含人体的图片中随机裁取的，大小同样是64*128(从完全不包含人体的图片中随机剪裁出64*128大小的用于人体检测的负样本)。http://blog.csdn.net/gojawee/article/details/72828371

训练好的SVM分类器保存为XML文件，然后根据其中的支持向量和参数生成OpenCV中的HOG描述子可用的检测子参数，再调用OpenCV中的多尺度检测函数进行行人检测。

难例(Hard Example)是指利用第一次训练的分类器在负样本原图(肯定没有人体)上进行行人检测时所有检测到的矩形框，这些矩形框区域很明显都是误报，把这些误报的矩形框保存为图片，加入到初始的负样本集合中，重新进行SVM的训练，可显著减少误报。
http://blog.csdn.net/GoJawee/article/details/72845508

训练和检测的代码：

#include <iostream>  #include <fstream>  #include <opencv2/core/core.hpp>  #include <opencv2/highgui/highgui.hpp>  #include <opencv2/imgproc/imgproc.hpp>  #include <opencv2/objdetect/objdetect.hpp>  #include <opencv2/ml/ml.hpp>  using namespace std;  using namespace cv;  #define PosSamNO 2400     //正样本个数  #define NegSamNO 12000    //负样本个数  #define TRAIN true    //是否进行训练,true表示重新训练，false表示读取xml文件中的SVM模型  #define CENTRAL_CROP true   //true:训练时，对96*160的INRIA正样本图片剪裁出中间的64*128大小人体  //HardExample：负样本个数。如果HardExampleNO大于0，表示处理完初始负样本集后，继续处理HardExample负样本集。  //不使用HardExample时必须设置为0，因为特征向量矩阵和特征类别矩阵的维数初始化时用到这个值  #define HardExampleNO  0    //继承自CvSVM的类，因为生成setSVMDetector()中用到的检测子参数时，需要用到训练好的SVM的decision_func参数，  //但通过查看CvSVM源码可知decision_func参数是protected类型变量，无法直接访问到，只能继承之后通过函数访问  class MySVM : public CvSVM  {  public:      //获得SVM的决策函数中的alpha数组      double * get_alpha_vector()      {          return this->decision_func->alpha;      }      //获得SVM的决策函数中的rho参数,即偏移量      float get_rho()      {          return this->decision_func->rho;      }  };  int main()  {      //检测窗口(64,128),块尺寸(16,16),块步长(8,8),cell尺寸(8,8),直方图bin个数9      HOGDescriptor hog(Size(64,128),Size(16,16),Size(8,8),Size(8,8),9);//HOG检测器，用来计算HOG描述子的      int DescriptorDim;//HOG描述子的维数，由图片大小、检测窗口大小、块大小、细胞单元中直方图bin个数决定      MySVM svm;//SVM分类器      //若TRAIN为true，重新训练分类器      if(TRAIN)      {          string ImgName;//图片名(绝对路径)          ifstream finPos("F:\\dataset\\pos\\pos.txt");//正样本图片的文件名列表          ifstream finNeg("F:\\dataset\\neg\\neg.txt");//负样本图片的文件名列表          Mat sampleFeatureMat;//所有训练样本的特征向量组成的矩阵，行数等于所有样本的个数，列数等于HOG描述子维数              Mat sampleLabelMat;//训练样本的类别向量，行数等于所有样本的个数，列数等于1；1表示有人，-1表示无人          //依次读取正样本图片，生成HOG描述子          for(int num=0; num<PosSamNO && getline(finPos,ImgName); num++)          {              cout<<"处理："<<ImgName<<endl;  //ImgName是全路径名             Mat src = imread(ImgName);//读取图片              if(CENTRAL_CROP)                  src = src(Rect(16,16,64,128));//将96*160的INRIA正样本图片剪裁为64*128，即剪去上下左右各16个像素              //resize(src,src,Size(64,128));              vector<float> descriptors;//HOG描述子向量              hog.compute(src,descriptors,Size(8,8));//计算HOG描述子，检测窗口移动步长(8,8)              //cout<<"描述子维数："<<descriptors.size()<<endl;              //处理第一个样本时初始化特征向量矩阵和类别矩阵，因为只有知道了特征向量的维数才能初始化特征向量矩阵              if( 0 == num )              {                  DescriptorDim = descriptors.size();//HOG描述子的维数                  //初始化所有训练样本的特征向量组成的矩阵，行数等于所有样本的个数，列数等于HOG描述子维数sampleFeatureMat                  sampleFeatureMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, DescriptorDim, CV_32FC1);                  //初始化训练样本的类别向量，行数等于所有样本的个数，列数等于1；1表示有人，-1表示无人                  sampleLabelMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, 1, CV_32FC1);              }              //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat              for(int i=0; i<DescriptorDim; i++)                  sampleFeatureMat.at<float>(num,i) = descriptors[i];//第num个样本的特征向量中的第i个元素              sampleLabelMat.at<float>(num,0) = 1;//正样本类别为1，有人          }          //依次读取负样本图片，生成HOG描述子          for(int num=0; num<NegSamNO && getline(finNeg,ImgName); num++)          {              cout<<"处理："<<ImgName<<endl;              Mat src = imread(ImgName);//读取图片              //resize(src,img,Size(64,128));              vector<float> descriptors;//HOG描述子向量              hog.compute(src,descriptors,Size(8,8));//计算HOG描述子，检测窗口移动步长(8,8)              //cout<<"描述子维数："<<descriptors.size()<<endl;              //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat              for(int i=0; i<DescriptorDim; i++)                  sampleFeatureMat.at<float>(num+PosSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素              sampleLabelMat.at<float>(num+PosSamNO,0) = -1;//负样本类别为-1，无人          }          //处理HardExample负样本          if(HardExampleNO > 0)          {              ifstream finHardExample("F:\\dataset\\HardExample\\HardExample.txt");//HardExample负样本的文件名列表              //依次读取HardExample负样本图片，生成HOG描述子              for(int num=0; num<HardExampleNO && getline(finHardExample,ImgName); num++)              {                  cout<<"处理："<<ImgName<<endl;                  Mat src = imread(ImgName);//读取图片                  //resize(src,img,Size(64,128));                  vector<float> descriptors;//HOG描述子向量                  hog.compute(src,descriptors,Size(8,8));//计算HOG描述子，检测窗口移动步长(8,8)                  //cout<<"描述子维数："<<descriptors.size()<<endl;                  //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat                  for(int i=0; i<DescriptorDim; i++)                      sampleFeatureMat.at<float>(num+PosSamNO+NegSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素                  sampleLabelMat.at<float>(num+PosSamNO+NegSamNO,0) = -1;//负样本类别为-1，无人              }          }          ////输出样本的HOG特征向量矩阵到文件          //ofstream fout("SampleFeatureMat.txt");          //for(int i=0; i<PosSamNO+NegSamNO; i++)          //{          //  fout<<i<<endl;          //  for(int j=0; j<DescriptorDim; j++)          //      fout<<sampleFeatureMat.at<float>(i,j)<<"  ";          //  fout<<endl;          //}          //训练SVM分类器          //迭代终止条件，当迭代满1000次或误差小于FLT_EPSILON时停止迭代          CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 1000, FLT_EPSILON);          //SVM参数：SVM类型为C_SVC；线性核函数；松弛因子C=0.01          CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria);          cout<<"开始训练SVM分类器"<<endl;          svm.train(sampleFeatureMat, sampleLabelMat, Mat(), Mat(), param);//训练分类器          cout<<"训练完成"<<endl;          svm.save("F:\\dataset\\SVM_HOG.xml");//将训练好的SVM模型保存为xml文件      }      else //若TRAIN为false，从XML文件读取训练好的分类器      {          svm.load("F:\\dataset\\SVM_HOG.xml");//从XML文件读取训练好的SVM模型      }      /*************************************************************************************************     线性SVM训练完成后得到的XML文件里面，有一个数组，叫做support vector，还有一个数组，叫做alpha,有一个浮点数，叫做rho;     将alpha矩阵同support vector相乘，注意，alpha*supportVector,将得到一个列向量。之后，再该列向量的最后添加一个元素rho。     如此，变得到了一个分类器，利用该分类器，直接替换opencv中行人检测默认的那个分类器（cv::HOGDescriptor::setSVMDetector()），     就可以利用你的训练样本训练出来的分类器进行行人检测了。     ***************************************************************************************************/      DescriptorDim = svm.get_var_count();//特征向量的维数，即HOG描述子的维数      int supportVectorNum = svm.get_support_vector_count();//支持向量的个数      cout<<"支持向量个数："<<supportVectorNum<<endl;      Mat alphaMat = Mat::zeros(1, supportVectorNum, CV_32FC1);//alpha向量，长度等于支持向量个数      Mat supportVectorMat = Mat::zeros(supportVectorNum, DescriptorDim, CV_32FC1);//支持向量矩阵      Mat resultMat = Mat::zeros(1, DescriptorDim, CV_32FC1);//alpha向量乘以支持向量矩阵的结果      //将支持向量的数据复制到supportVectorMat矩阵中      for(int i=0; i<supportVectorNum; i++)      {          const float * pSVData = svm.get_support_vector(i);//返回第i个支持向量的数据指针          for(int j=0; j<DescriptorDim; j++)          {              supportVectorMat.at<float>(i,j) = pSVData[j];          }      }      //将alpha向量的数据复制到alphaMat中      double * pAlphaData = svm.get_alpha_vector();//返回SVM的决策函数中的alpha向量      for(int i=0; i<supportVectorNum; i++)      {          alphaMat.at<float>(0,i) = pAlphaData[i];      }      //计算-(alphaMat * supportVectorMat),结果放到resultMat中      //gemm(alphaMat, supportVectorMat, -1, 0, 1, resultMat);//不知道为什么加负号？      resultMat = -1 * alphaMat * supportVectorMat;      //得到最终的setSVMDetector(const vector<float>& detector)参数中可用的检测子      vector<float> myDetector;      //将resultMat中的数据复制到数组myDetector中      for(int i=0; i<DescriptorDim; i++)      {          myDetector.push_back(resultMat.at<float>(0,i));      }      //最后添加偏移量rho，得到检测子      myDetector.push_back(svm.get_rho());      cout<<"检测子维数："<<myDetector.size()<<endl;      //设置HOGDescriptor的检测子      HOGDescriptor myHOG;      myHOG.setSVMDetector(myDetector);      //myHOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());      //保存检测子参数到文件      ofstream fout("F:\\dataset\\HOGDetectorForOpenCV.txt");      for(int i=0; i<myDetector.size(); i++)      {          fout<<myDetector[i]<<endl;      }      /**************读入图片进行HOG行人检测******************/      Mat src = imread("Test.jpg");      vector<Rect> found, found_filtered;//矩形框数组      cout<<"进行多尺度HOG人体检测"<<endl;      myHOG.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);//对图片进行多尺度行人检测      cout<<"找到的矩形框个数："<<found.size()<<endl;      //找出所有没有嵌套的矩形框r,并放入found_filtered中,如果有嵌套的话,则取外面最大的那个矩形框放入found_filtered中      for(int i=0; i < found.size(); i++)      {          Rect r = found[i];          int j=0;          for(; j < found.size(); j++)              if(j != i && (r & found[j]) == r)                  break;          if( j == found.size())              found_filtered.push_back(r);      }      //画矩形框，因为hog检测出的矩形框比实际人体框要稍微大些,所以这里需要做一些调整      for(int i=0; i<found_filtered.size(); i++)      {          Rect r = found_filtered[i];          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);          rectangle(src, r.tl(), r.br(), Scalar(0,255,0), 3);      }      //imwrite("ImgProcessed.jpg",src);      namedWindow("src",0);      imshow("src",src);      waitKey(0);//注意：imshow之后必须加waitKey，否则无法显示图像      ///******************读入单个64*128的测试图并对其HOG描述子进行分类*********************/      ////读取测试图片(64*128大小)，并计算其HOG描述子      //Mat testImg = imread("noperson000026.jpg");      //vector<float> descriptor;      //hog.compute(testImg,descriptor,Size(8,8));//计算HOG描述子，检测窗口移动步长(8,8)      //Mat testFeatureMat = Mat::zeros(1,3780,CV_32FC1);//测试样本的特征向量矩阵      ////将计算好的HOG描述子复制到testFeatureMat矩阵中      //for(int i=0; i<descriptor.size(); i++)      //  testFeatureMat.at<float>(0,i) = descriptor[i];      ////用训练好的SVM分类器对测试图片的特征向量进行分类      //int result = svm.predict(testFeatureMat);//返回类标      //cout<<"分类结果："<<result<<endl;      system("pause");  }  

参考：http://blog.csdn.net/carson2005/article/details/7841443