程序博客网 > 手机写歌词软件

利用Hog特征和SVM分类器进行行人检测【仅供参考】

来源：互联网 发布：手机写歌词软件 编辑：程序博客网 时间：2024/06/14 02:53

文章来源：http://blog.csdn.net/sunanger_wang/article/details/7887294


之前介绍过Hog特征(http://blog.csdn.net/carson2005/article/details/7782726)，也介绍过SVM分类器（http://blog.csdn.net/carson2005/article/details/6453502 ）；而本文的目的在于介绍利用Hog特征和SVM分类器来进行行人检测。

在2005年CVPR上，来自法国的研究人员Navneet Dalal 和Bill Triggs提出利用Hog进行特征提取，利用线性SVM作为分类器，从而实现行人检测。而这两位也通过大量的测试发现，Hog+SVM是速度和效果综合平衡性能较好的一种行人检测方法。后来，虽然很多研究人员也提出了很多改进的行人检测算法，但基本都以该算法为基础框架。因此，Hog+SVM也成为一个里程表式的算法被写入到OpenCV中。在OpenCV2.0之后的版本，都有Hog特征描述算子的API，而至于SVM，早在OpenCV1.0版本就已经集成进去了；OpenCV虽然提供了Hog和SVM的API，也提供了行人检测的sample，遗憾的是，OpenCV并没有提供样本训练的sample。这也就意味着，很多人只能用OpenCV自带的已经训练好的分类器来进行行人检测。然而，OpenCV自带的分类器是利用Navneet Dalal和Bill Triggs提供的样本进行训练的，不见得能适用于你的应用场合。因此，针对你的特定应用场景，很有必要进行重新训练得到适合你的分类器。本文的目的，正在于此。

重新训练行人检测的流程：

（1）准备训练样本集合；包括正样本集和负样本集；根据机器学习的基础知识我们知道，要利用机器学习算法进行样本训练，从而得到一个性能优良的分类器，训练样本应该是无限多的，而且训练样本应该覆盖实际应用过程中可能发生的各种情况。（很多朋友，用10来个正样本，10来个负样本进行训练，之后，就进行测试，发现效果没有想象中的那么好，就开始发牢骚，抱怨。。。对于这些人，我只能抱歉的说，对于机器学习、模式识别的认识，你还处于没有入门的阶段）；实际应用过程中，训练样本不可能无限多，但无论如何，三五千个正样本，三五千个负样本，应该不是什么难事吧？（如果连这个都做不到，建议你别搞机器学习，模式识别了；训练素材都没有，怎么让机器学习到足够的信息呢？）

（2）收集到足够的训练样本之后，你需要手动裁剪样本。例如，你想用Hog+SVM来对商业步行街的监控画面中进行行人检测，那么，你就应该用收集到的训练样本集合，手动裁剪画面中的行人（可以写个简单程序，只需要鼠标框选一下，就将框选区域保存下来）。

（3）裁剪得到训练样本之后，将所有正样本放在一个文件夹中；将所有负样本放在另一个文件夹中；并将所有训练样本缩放到同样的尺寸大小。OpenCV自带的例子在训练时，就是将样本缩放为64*128进行训练的；

（4）提取所有正样本的Hog特征；

（5）提取所有负样本的Hog特征；

（6）对所有正负样本赋予样本标签；例如，所有正样本标记为1，所有负样本标记为0；

（7）将正负样本的Hog特征，正负样本的标签，都输入到SVM中进行训练；Dalal在论文中考虑到速度问题，建议采用线性SVM进行训练。这里，不妨也采用线性SVM；

（8）SVM训练之后，将结果保存为文本文件。

（9）线性SVM进行训练之后得到的文本文件里面，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。

下面给出样本训练的参考代码：

[cpp] view plaincopy
  1. class Mysvm: public CvSVM
  2. {
  3. public:
  4. int get_alpha_count()
  5. {
  6. return this->sv_total;
  7. }
  9. int get_sv_dim()
  10. {
  11. return this->var_all;
  12. }
  14. int get_sv_count()
  15. {
  16. return this->decision_func->sv_count;
  17. }
  19. double* get_alpha()
  20. {
  21. return this->decision_func->alpha;
  22. }
  24. float** get_sv()
  25. {
  26. return this->sv;
  27. }
  29. float get_rho()
  30. {
  31. return this->decision_func->rho;
  32. }
  33. };
  35. void Train()
  36. {
  37. char classifierSavePath[256] = "c:/pedestrianDetect-peopleFlow.txt";
  39. string positivePath = "E:\\pictures\\train1\\pos\\";
  40. string negativePath = "E:\\pictures\\train1\\neg\\";
  42. int positiveSampleCount = 4900;
  43. int negativeSampleCount = 6192;
  44. int totalSampleCount = positiveSampleCount + negativeSampleCount;
  46. cout<<"//////////////////////////////////////////////////////////////////"<<endl;
  47. cout<<"totalSampleCount: "<<totalSampleCount<<endl;
  48. cout<<"positiveSampleCount: "<<positiveSampleCount<<endl;
  49. cout<<"negativeSampleCount: "<<negativeSampleCount<<endl;
  51. CvMat *sampleFeaturesMat = cvCreateMat(totalSampleCount , 1764, CV_32FC1);
  52. //64*128的训练样本，该矩阵将是totalSample*3780,64*64的训练样本，该矩阵将是totalSample*1764
  53. cvSetZero(sampleFeaturesMat);
  54. CvMat *sampleLabelMat = cvCreateMat(totalSampleCount, 1, CV_32FC1);//样本标识
  55. cvSetZero(sampleLabelMat);
  57. cout<<"************************************************************"<<endl;
  58. cout<<"start to training positive samples..."<<endl;
  60. char positiveImgName[256];
  61. string path;
  62. for(int i=0; i<positiveSampleCount; i++)
  63. {
  64. memset(positiveImgName, '\0', 256*sizeof(char));
  65. sprintf(positiveImgName, "%d.jpg", i);
  66. int len = strlen(positiveImgName);
  67. string tempStr = positiveImgName;
  68. path = positivePath + tempStr;
  70. cv::Mat img = cv::imread(path);
  71. if( img.data == NULL )
  72. {
  73. cout<<"positive image sample load error: "<<i<<" "<<path<<endl;
  74. system("pause");
  75. continue;
  76. }
  78. cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
  79. vector<float> featureVec;
  81. hog.compute(img, featureVec, cv::Size(8,8));
  82. int featureVecSize = featureVec.size();
  84. for (int j=0; j<featureVecSize; j++)
  85. {
  86. CV_MAT_ELEM( *sampleFeaturesMat, float, i, j ) = featureVec[j];
  87. }
  88. sampleLabelMat->data.fl[i] = 1;
  89. }
  90. cout<<"end of training for positive samples..."<<endl;
  92. cout<<"*********************************************************"<<endl;
  93. cout<<"start to train negative samples..."<<endl;
  95. char negativeImgName[256];
  96. for (int i=0; i<negativeSampleCount; i++)
  97. {
  98. memset(negativeImgName, '\0', 256*sizeof(char));
  99. sprintf(negativeImgName, "%d.jpg", i);
  100. path = negativePath + negativeImgName;
  101. cv::Mat img = cv::imread(path);
  102. if(img.data == NULL)
  103. {
  104. cout<<"negative image sample load error: "<<path<<endl;
  105. continue;
  106. }
  108. cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
  109. vector<float> featureVec;
  111. hog.compute(img,featureVec,cv::Size(8,8));//计算HOG特征
  112. int featureVecSize = featureVec.size();
  114. for ( int j=0; j<featureVecSize; j ++)
  115. {
  116. CV_MAT_ELEM( *sampleFeaturesMat, float, i + positiveSampleCount, j ) = featureVec[ j ];
  117. }
  119. sampleLabelMat->data.fl[ i + positiveSampleCount ] = -1;
  120. }
  122. cout<<"end of training for negative samples..."<<endl;
  123. cout<<"********************************************************"<<endl;
  124. cout<<"start to train for SVM classifier..."<<endl;
  126. CvSVMParams params;
  127. params.svm_type = CvSVM::C_SVC;
  128. params.kernel_type = CvSVM::LINEAR;
  129. params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, FLT_EPSILON);
  130. params.C = 0.01;
  132. Mysvm svm;
  133. svm.train( sampleFeaturesMat, sampleLabelMat, NULL, NULL, params ); //用SVM线性分类器训练
  134. svm.save(classifierSavePath);
  136. cvReleaseMat(&sampleFeaturesMat);
  137. cvReleaseMat(&sampleLabelMat);
  139. int supportVectorSize = svm.get_support_vector_count();
  140. cout<<"support vector size of SVM："<<supportVectorSize<<endl;
  141. cout<<"************************ end of training for SVM ******************"<<endl;
  143. CvMat *sv,*alp,*re;//所有样本特征向量
  144. sv = cvCreateMat(supportVectorSize , 1764, CV_32FC1);
  145. alp = cvCreateMat(1 , supportVectorSize, CV_32FC1);
  146. re = cvCreateMat(1 , 1764, CV_32FC1);
  147. CvMat *res = cvCreateMat(1 , 1, CV_32FC1);
  149. cvSetZero(sv);
  150. cvSetZero(re);
  152. for(int i=0; i<supportVectorSize; i++)
  153. {
  154. memcpy( (float*)(sv->data.fl+i*1764), svm.get_support_vector(i), 1764*sizeof(float));
  155. }
  157. double* alphaArr = svm.get_alpha();
  158. int alphaCount = svm.get_alpha_count();
  160. for(int i=0; i<supportVectorSize; i++)
  161. {
  162. alp->data.fl[i] = alphaArr[i];
  163. }
  164. cvMatMul(alp, sv, re);
  166. int posCount = 0;
  167. for (int i=0; i<1764; i++)
  168. {
  169. re->data.fl[i] *= -1;
  170. }
  172. FILE* fp = fopen("c:/hogSVMDetector-peopleFlow.txt","wb");
  173. if( NULL == fp )
  174. {
  175. return 1;
  176. }
  177. for(int i=0; i<1764; i++)
  178. {
  179. fprintf(fp,"%f \n",re->data.fl[i]);
  180. }
  181. float rho = svm.get_rho();
  182. fprintf(fp, "%f", rho);
  183. cout<<"c:/hogSVMDetector.txt 保存完毕"<<endl;//保存HOG能识别的分类器
  184. fclose(fp);
  186. return 1;
  187. }
[cpp] view plaincopy
  1. class Mysvm: public CvSVM  
  2. {  
  3. public:  
  4.     int get_alpha_count()  
  5.     {  
  6.         return this->sv_total;  
  7.     }  
  8.   
  9.     int get_sv_dim()  
  10.     {  
  11.         return this->var_all;  
  12.     }  
  13.   
  14.     int get_sv_count()  
  15.     {  
  16.         return this->decision_func->sv_count;  
  17.     }  
  18.   
  19.     double* get_alpha()  
  20.     {  
  21.         return this->decision_func->alpha;  
  22.     }  
  23.   
  24.     float** get_sv()  
  25.     {  
  26.         return this->sv;  
  27.     }  
  28.   
  29.     float get_rho()  
  30.     {  
  31.         return this->decision_func->rho;  
  32.     }  
  33. };  
  34.   
  35. void Train()  
  36. {  
  37.     char classifierSavePath[256] = "c:/pedestrianDetect-peopleFlow.txt";  
  38.   
  39.     string positivePath = "E:\\pictures\\train1\\pos\\";  
  40.     string negativePath = "E:\\pictures\\train1\\neg\\";  
  41.   
  42.     int positiveSampleCount = 4900;  
  43.     int negativeSampleCount = 6192;  
  44.     int totalSampleCount = positiveSampleCount + negativeSampleCount;  
  45.   
  46.     cout<<"//////////////////////////////////////////////////////////////////"<<endl;  
  47.     cout<<"totalSampleCount: "<<totalSampleCount<<endl;  
  48.     cout<<"positiveSampleCount: "<<positiveSampleCount<<endl;  
  49.     cout<<"negativeSampleCount: "<<negativeSampleCount<<endl;  
  50.   
  51.     CvMat *sampleFeaturesMat = cvCreateMat(totalSampleCount , 1764, CV_32FC1);  
  52.     //64*128的训练样本，该矩阵将是totalSample*3780,64*64的训练样本，该矩阵将是totalSample*1764  
  53.     cvSetZero(sampleFeaturesMat);    
  54.     CvMat *sampleLabelMat = cvCreateMat(totalSampleCount, 1, CV_32FC1);//样本标识    
  55.     cvSetZero(sampleLabelMat);    
  56.   
  57.     cout<<"************************************************************"<<endl;  
  58.     cout<<"start to training positive samples..."<<endl;  
  59.   
  60.     char positiveImgName[256];  
  61.     string path;  
  62.     for(int i=0; i<positiveSampleCount; i++)    
  63.     {    
  64.         memset(positiveImgName, '\0', 256*sizeof(char));  
  65.         sprintf(positiveImgName, "%d.jpg", i);  
  66.         int len = strlen(positiveImgName);  
  67.         string tempStr = positiveImgName;  
  68.         path = positivePath + tempStr;  
  69.   
  70.         cv::Mat img = cv::imread(path);  
  71.         if( img.data == NULL )  
  72.         {  
  73.             cout<<"positive image sample load error: "<<i<<" "<<path<<endl;  
  74.             system("pause");  
  75.             continue;  
  76.         }  
  77.   
  78.         cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);  
  79.         vector<float> featureVec;   
  80.   
  81.         hog.compute(img, featureVec, cv::Size(8,8));    
  82.         int featureVecSize = featureVec.size();  
  83.   
  84.         for (int j=0; j<featureVecSize; j++)    
  85.         {         
  86.             CV_MAT_ELEM( *sampleFeaturesMat, float, i, j ) = featureVec[j];   
  87.         }    
  88.         sampleLabelMat->data.fl[i] = 1;  
  89.     }  
  90.     cout<<"end of training for positive samples..."<<endl;  
  91.   
  92.     cout<<"*********************************************************"<<endl;  
  93.     cout<<"start to train negative samples..."<<endl;  
  94.   
  95.     char negativeImgName[256];  
  96.     for (int i=0; i<negativeSampleCount; i++)  
  97.     {    
  98.         memset(negativeImgName, '\0', 256*sizeof(char));  
  99.         sprintf(negativeImgName, "%d.jpg", i);  
  100.         path = negativePath + negativeImgName;  
  101.         cv::Mat img = cv::imread(path);  
  102.         if(img.data == NULL)  
  103.         {  
  104.             cout<<"negative image sample load error: "<<path<<endl;  
  105.             continue;  
  106.         }  
  107.   
  108.         cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);    
  109.         vector<float> featureVec;   
  110.   
  111.         hog.compute(img,featureVec,cv::Size(8,8));//计算HOG特征  
  112.         int featureVecSize = featureVec.size();    
  113.   
  114.         for ( int j=0; j<featureVecSize; j ++)    
  115.         {    
  116.             CV_MAT_ELEM( *sampleFeaturesMat, float, i + positiveSampleCount, j ) = featureVec[ j ];  
  117.         }    
  118.   
  119.         sampleLabelMat->data.fl[ i + positiveSampleCount ] = -1;  
  120.     }    
  121.   
  122.     cout<<"end of training for negative samples..."<<endl;  
  123.     cout<<"********************************************************"<<endl;  
  124.     cout<<"start to train for SVM classifier..."<<endl;  
  125.   
  126.     CvSVMParams params;    
  127.     params.svm_type = CvSVM::C_SVC;    
  128.     params.kernel_type = CvSVM::LINEAR;    
  129.     params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, FLT_EPSILON);  
  130.     params.C = 0.01;  
  131.   
  132.     Mysvm svm;  
  133.     svm.train( sampleFeaturesMat, sampleLabelMat, NULL, NULL, params ); //用SVM线性分类器训练  
  134.     svm.save(classifierSavePath);  
  135.   
  136.     cvReleaseMat(&sampleFeaturesMat);  
  137.     cvReleaseMat(&sampleLabelMat);  
  138.   
  139.     int supportVectorSize = svm.get_support_vector_count();  
  140.     cout<<"support vector size of SVM："<<supportVectorSize<<endl;  
  141.     cout<<"************************ end of training for SVM ******************"<<endl;  
  142.   
  143.     CvMat *sv,*alp,*re;//所有样本特征向量   
  144.     sv  = cvCreateMat(supportVectorSize , 1764, CV_32FC1);  
  145.     alp = cvCreateMat(1 , supportVectorSize, CV_32FC1);  
  146.     re  = cvCreateMat(1 , 1764, CV_32FC1);  
  147.     CvMat *res  = cvCreateMat(1 , 1, CV_32FC1);  
  148.   
  149.     cvSetZero(sv);  
  150.     cvSetZero(re);  
  151.     
  152.     for(int i=0; i<supportVectorSize; i++)  
  153.     {  
  154.         memcpy( (float*)(sv->data.fl+i*1764), svm.get_support_vector(i), 1764*sizeof(float));      
  155.     }  
  156.   
  157.     double* alphaArr = svm.get_alpha();  
  158.     int alphaCount = svm.get_alpha_count();  
  159.   
  160.     for(int i=0; i<supportVectorSize; i++)  
  161.     {  
  162.         alp->data.fl[i] = alphaArr[i];  
  163.     }  
  164.     cvMatMul(alp, sv, re);  
  165.   
  166.     int posCount = 0;  
  167.     for (int i=0; i<1764; i++)  
  168.     {  
  169.         re->data.fl[i] *= -1;  
  170.     }  
  171.   
  172.     FILE* fp = fopen("c:/hogSVMDetector-peopleFlow.txt","wb");  
  173.     if( NULL == fp )  
  174.     {  
  175.         return 1;  
  176.     }  
  177.     for(int i=0; i<1764; i++)  
  178.     {  
  179.         fprintf(fp,"%f \n",re->data.fl[i]);  
  180.     }  
  181.     float rho = svm.get_rho();  
  182.     fprintf(fp, "%f", rho);  
  183.     cout<<"c:/hogSVMDetector.txt 保存完毕"<<endl;//保存HOG能识别的分类器  
  184.     fclose(fp);  
  185.   
  186.     return 1;  
  187. }  
接着，再给出利用训练好的分类器进行行人检测的参考代码：

[cpp] view plaincopy
  1. void Detect()
  2. {
  3. CvCapture* cap = cvCreateFileCapture("E:\\02.avi");
  4. if (!cap)
  5. {
  6. cout<<"avi file load error..."<<endl;
  7. system("pause");
  8. exit(-1);
  9. }
  11. vector<float> x;
  12. ifstream fileIn("c:/hogSVMDetector-peopleFlow.txt", ios::in);
  13. float val = 0.0f;
  14. while(!fileIn.eof())
  15. {
  16. fileIn>>val;
  17. x.push_back(val);
  18. }
  19. fileIn.close();
  21. vector<cv::Rect> found;
  22. cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
  23. hog.setSVMDetector(x);
  25. IplImage* img = NULL;
  26. cvNamedWindow("img", 0);
  27. while(img=cvQueryFrame(cap))
  28. {
  29. hog.detectMultiScale(img, found, 0, cv::Size(8,8), cv::Size(32,32), 1.05, 2);
  30. if (found.size() > 0)
  31. {
  33. for (int i=0; i<found.size(); i++)
  34. {
  35. CvRect tempRect = cvRect(found[i].x, found[i].y, found[i].width, found[i].height);
  37. cvRectangle(img, cvPoint(tempRect.x,tempRect.y),
  38. cvPoint(tempRect.x+tempRect.width,tempRect.y+tempRect.height),CV_RGB(255,0,0), 2);
  39. }
  40. }
  41. }
  42. cvReleaseCapture(&cap);
  43. }




0 0
手机写歌词软件 手机写歌词软件
原创粉丝点击
热门IT博客
linux 启动顺序linux 启动顺序
架设棋牌源码架设棋牌源码
bandicam mac版
人工智能 制造业
淘宝众筹平台入口
淘宝无线端装修尺寸
unity3d 性能测试工具
新疆网络屏蔽
eview编程软件下载
旁氏骗局 知乎
遗传算法c程序
工厂跟单软件
画化学分子式的软件
金山软件估值
mysql slow.log 删除
在线美工平台
浙江理工大学知乎
java体系结构图
小沈龙网络春晚
微商城开发费用 知乎
热门问题 老师的惩罚 人脸识别 我在镇武司摸鱼那些年 重生之率土为王 我在大康的咸鱼生活 盘龙之生命进化 天生仙种 凡人之先天五行 春回大明朝 姑娘不必设防，我是瞎子 女作家残雪简历 残雪作品在线阅读 残雪作品阅读 黄泥街残雪txt 残雪歌曲原唱 女作家残雪作品 湖南女作家残雪 残音 残音 稻芽 残音txt下载 残音全文阅读 影后妖娆残少温宠入骨 耻骨骨折能定几级残 残骨 残骸 萨拉飞机残骸找到 一介残骸作品 泰坦尼克残骸消失 马航mh370残骸 一介残骸 玄尘道途 玄尘道途 一介残骸 蒸汽之都机器人的残骸 残魂 殒 殒怎么读 星殒落作品 暴殒轻生 殒生蛊 心殒胆破 香什么什么殒成语 殂殒怎么读 邪虫神 星殒落 植物崛起 星殒落 殒身不恤的意思 殒落和陨落的区别 铁殒石 殓 殓摄 装殓 殓怎么读 婚殓师

程序博客网，程序员的互联网技术博客家园。csdn论坛精品 msdn技术资料都在这里