SVM+HOG：利用训练好的XML进行行人检测（检测效果）

    说明：HOG+SVM生成的.xml文件不能用人脸的代码进行测试效果，必须用下面的代码才能测试代码。

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

using namespace std;  
using namespace cv;  

//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  

    svm.load("SVM_HOG_2400PosINRIA_12000Neg_HardExample.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("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");  
}

运行结果图：