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   
#include   
#include   
#include   
#include   
#include   
#include   

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; numcout<<"处理："<//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："<

            //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; ifloat>(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; numcout<<"处理："<//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："<

            //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat  
            for(int i=0; ifloat>(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; numcout<<"处理："<//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："<

                //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat  
                for(int i=0; ifloat>(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
        //{  
        //  fout<
        //  for(int j=0; j
        //      fout<(i,j)<<"  ";  
        //  fout<
        //}  

        //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"<//训练分类器  
        cout<<"训练完成"<"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："<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; iconst 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; jfloat>(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; ifloat>(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& 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; ifloat>(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："<//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/**************读入图片进行HOG行人检测******************/  
    Mat src = imread("Test.jpg");  
    vector found, found_filtered;//矩形框数组  
    cout<<"进行多尺度HOG人体检测"<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："<//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; i0.1);  
        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 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
    //  testFeatureMat.at(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："<
    system("pause");  
}  

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