OpenCV中的HOG+SVM物体分类

这里总结网上自己找到的资料，搞一个简单的框架供大家参考一下。

OpenCV官方的SVM代码在http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html

在http://blog.csdn.net/sangni007/article/details/7471222看到一段还不错的代码，结构清楚，虽然注释比较少，但很有参考价值，于是我添加了一些注释，看着更舒服。废话少说，直接上代码：

[cpp] view plaincopyprint#include "cv.h"  #include "highgui.h"  #include "stdafx.h"  #include <ml.h>  #include <iostream>  #include <fstream>  #include <string>  #include <vector>  using namespace cv;  using namespace std;      int main(int argc, char** argv)    {        vector<string> img_path;//输入文件名变量     vector<int> img_catg;      int nLine = 0;      string buf;      ifstream svm_data( "E:/SVM_DATA.txt" );//首先，这里搞一个文件列表，把训练样本图片的路径都写在这个txt文件中，使用bat批处理文件可以得到这个txt文件       unsigned long n;        while( svm_data )//将训练样本文件依次读取进来      {          if( getline( svm_data, buf ) )          {              nLine ++;              if( nLine % 2 == 0 )//这里的分类比较有意思，看得出来上面的SVM_DATA.txt文本中应该是一行是文件路径，接着下一行就是该图片的类别，可以设置为0或者1，当然多个也无所谓             {                   img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，标志（0,1），注意这里至少要有两个类别，否则会出错              }              else              {                  img_path.push_back( buf );//图像路径              }          }      }      svm_data.close();//关闭文件        CvMat *data_mat, *res_mat;      int nImgNum = nLine / 2; //读入样本数量 ，因为是每隔一行才是图片路径，所以要除以2     ////样本矩阵，nImgNum：横坐标是样本数量， WIDTH * HEIGHT：样本特征向量，即图像大小      data_mat = cvCreateMat( nImgNum, 1764, CV_32FC1 );  //这里第二个参数，即矩阵的列是由下面的descriptors的大小决定的，可以由descriptors.size()得到，且对于不同大小的输入训练图片，这个值是不同的    cvSetZero( data_mat );      //类型矩阵,存储每个样本的类型标志      res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );      cvSetZero( res_mat );        IplImage* src;      IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3);//需要分析的图片，这里默认设定图片是64*64大小，所以上面定义了1764，如果要更改图片大小，可以先用debug查看一下descriptors是多少，然后设定好再运行    //开始搞HOG特征    for( string::size_type i = 0; i != img_path.size(); i++ )      {              src=cvLoadImage(img_path[i].c_str(),1);              if( src == NULL )              {                  cout<<" can not load the image: "<<img_path[i].c_str()<<endl;                  continue;              }                cout<<" processing "<<img_path[i].c_str()<<endl;                               cvResize(src,trainImg);   //读取图片                 HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(8,8),cvSize(8,8),9);  //具体意思见参考文章1,2                 vector<float>descriptors;//结果数组                 hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算                 cout<<"HOG dims: "<<descriptors.size()<<endl;              //CvMat* SVMtrainMat=cvCreateMat(descriptors.size(),1,CV_32FC1);              n=0;              for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)              {                  cvmSet(data_mat,i,n,*iter);//把HOG存储下来                  n++;              }                  //cout<<SVMtrainMat->rows<<endl;              cvmSet( res_mat, i, 0, img_catg[i] );              cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;      }                           CvSVM svm = CvSVM();//新建一个SVM        CvSVMParams param;//这里是参数    CvTermCriteria criteria;        criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );        param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );    /*        SVM种类：CvSVM::C_SVC        Kernel的种类：CvSVM::RBF        degree：10.0（此次不使用）        gamma：8.0        coef0：1.0（此次不使用）        C：10.0        nu：0.5（此次不使用）        p：0.1（此次不使用）        然后对训练数据正规化处理，并放在CvMat型的数组里。                                                            */           //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆             svm.train( data_mat, res_mat, NULL, NULL, param );//训练啦        //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆         svm.save( "SVM_DATA.xml" );      //检测样本      IplImage *test;      vector<string> img_tst_path;      ifstream img_tst( "E:/SVM_TEST.txt" );//同输入训练样本，这里也是一样的，只不过不需要标注图片属于哪一类了    while( img_tst )      {          if( getline( img_tst, buf ) )          {              img_tst_path.push_back( buf );          }      }      img_tst.close();            CvMat *test_hog = cvCreateMat( 1, 1764, CV_32FC1 );//注意这里的1764，同上面一样      char line[512];      ofstream predict_txt( "SVM_PREDICT.txt" );//把预测结果存储在这个文本中      for( string::size_type j = 0; j != img_tst_path.size(); j++ )//依次遍历所有的待检测图片      {          test = cvLoadImage( img_tst_path[j].c_str(), 1);          if( test == NULL )          {               cout<<" can not load the image: "<<img_tst_path[j].c_str()<<endl;                 continue;           }                    cvZero(trainImg);          cvResize(test,trainImg);   //读取图片             HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(8,8),cvSize(8,8),9);  //具体意思见参考文章1,2             vector<float>descriptors;//结果数组             hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算             cout<<"HOG dims: "<<descriptors.size()<<endl;          CvMat* SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1);          n=0;          for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)              {                  cvmSet(SVMtrainMat,0,n,*iter);                  n++;              }            int ret = svm.predict(SVMtrainMat);//获取最终检测结果，这个predict的用法见 OpenCV的文档 std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret );          predict_txt<<line;      }      predict_txt.close();    //cvReleaseImage( &src);  //cvReleaseImage( &sampleImg );  //cvReleaseImage( &tst );  //cvReleaseImage( &tst_tmp );  cvReleaseMat( &data_mat );  cvReleaseMat( &res_mat );    return 0;  }  

其中，关于HOG函数HOGDescriptor，见博客http://blog.csdn.net/raocong2010/article/details/6239431

另外，自己需要把这个程序嵌入到另外一个工程中去，因为那里数据类型是Mat，不是cvMat，所以我又修改了上面的程序，并且图片大小也不是固定的64*64，需要自己设置一下图片大小，因为太懒，直接把改好的程序放过来：

#include "stdafx.h"#include "cv.h"  #include "highgui.h"  #include "stdafx.h"  #include <ml.h>  #include <iostream>  #include <fstream>  #include <string>  #include <vector>  using namespace cv;  using namespace std;      int main(int argc, char** argv)    {    int ImgWidht = 120;int ImgHeight = 120;    vector<string> img_path;      vector<int> img_catg;      int nLine = 0;      string buf;      ifstream svm_data( "E:/apple/SVM_DATA.txt" );      unsigned long n;        while( svm_data )      {          if( getline( svm_data, buf ) )          {              nLine ++;              if( nLine < 5 )              {  img_catg.push_back(1);img_path.push_back( buf );//图像路径             }              else              {  img_catg.push_back(0);img_path.push_back( buf );//图像路径             }          }      }      svm_data.close();//关闭文件        Mat data_mat, res_mat;      int nImgNum = nLine;            //读入样本数量      ////样本矩阵，nImgNum：横坐标是样本数量， WIDTH * HEIGHT：样本特征向量，即图像大小  //data_mat = Mat::zeros( nImgNum, 12996, CV_32FC1 );        //类型矩阵,存储每个样本的类型标志      res_mat = Mat::zeros( nImgNum, 1, CV_32FC1 );        Mat src;      Mat trainImg = Mat::zeros(ImgHeight, ImgWidht, CV_8UC3);//需要分析的图片        for( string::size_type i = 0; i != img_path.size(); i++ )      {  src = imread(img_path[i].c_str(), 1);             cout<<" processing "<<img_path[i].c_str()<<endl;           resize(src, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC);        HOGDescriptor *hog=new HOGDescriptor(cvSize(ImgWidht,ImgHeight),cvSize(16,16),cvSize(8,8),cvSize(8,8), 9);  //具体意思见参考文章1,2             vector<float>descriptors;//结果数组             hog->compute(trainImg, descriptors, Size(1,1), Size(0,0)); //调用计算函数开始计算if (i==0){ data_mat = Mat::zeros( nImgNum, descriptors.size(), CV_32FC1 ); //根据输入图片大小进行分配空间 }        cout<<"HOG dims: "<<descriptors.size()<<endl;           n=0;          for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)          {  data_mat.at<float>(i,n) = *iter;              n++;          }          //cout<<SVMtrainMat->rows<<endl;      res_mat.at<float>(i, 0) =  img_catg[i];          cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;      }                     CvSVM svm = CvSVM();    CvSVMParams param;      CvTermCriteria criteria;        criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );        param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );   /*        SVM种类：CvSVM::C_SVC        Kernel的种类：CvSVM::RBF        degree：10.0（此次不使用）        gamma：8.0        coef0：1.0（此次不使用）        C：10.0        nu：0.5（此次不使用）        p：0.1（此次不使用）        然后对训练数据正规化处理，并放在CvMat型的数组里。                                                            */           //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆             svm.train( data_mat, res_mat, Mat(), Mat(), param );        //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆         svm.save( "E:/apple/SVM_DATA.xml" );       //检测样本      vector<string> img_tst_path;      ifstream img_tst( "E:/apple/SVM_TEST.txt" );      while( img_tst )      {          if( getline( img_tst, buf ) )          {              img_tst_path.push_back( buf );          }      }      img_tst.close();    Mat test;    char line[512];      ofstream predict_txt( "E:/apple/SVM_PREDICT.txt" );      for( string::size_type j = 0; j != img_tst_path.size(); j++ )      {          test = imread( img_tst_path[j].c_str(), 1);//读入图像           resize(test, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC);//要搞成同样的大小才可以检测到               HOGDescriptor *hog=new HOGDescriptor(cvSize(ImgWidht,ImgHeight),cvSize(16,16),cvSize(8,8),cvSize(8,8),9);  //具体意思见参考文章1,2             vector<float>descriptors;//结果数组             hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算 cout<<"The Detection Result:"<<endl;        cout<<"HOG dims: "<<descriptors.size()<<endl;          Mat SVMtrainMat =  Mat::zeros(1,descriptors.size(),CV_32FC1);          n=0;          for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)          {  SVMtrainMat.at<float>(0,n) = *iter;              n++;          }            int ret = svm.predict(SVMtrainMat);  std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret ); printf("%s %d\r\n", img_tst_path[j].c_str(), ret);getchar();        predict_txt<<line;      }      predict_txt.close();    return 0;  }  

就到这里吧，再整理一下思路。
如果运行的时候出现Link错误，有可能是没有附加依赖项，要添加opencv_objdetect230d.lib，我的OpenCV是2.3版本，所以这里是230.