利用HOG+SVM训练自己的XML文件

http://blog.csdn.net/Armily/article/details/8333862 原文链接

 在人脸检测中，我们一般利用训练好的XML文件去预测图像中是否存在人脸，那么XML文件是如何得到的，按照人脸的XML文件，它应该是提取样本的Haar特征，利用某个机器学习方法，最终得到的。本文主要讨论如何得到自己的XML文件。 

        在机器学习中，首先应该是采集样本，然后提取他们的特征，本人主要利用HOG特征进行实验。

1、采集样本图像（正样本和负样本），将其归一化到一个的尺度，如48X48.

2、将样本图像的名称写到一个TXT文件，方便程序调用.

3、依次提取每张图像的HOG特征向量.

4、利用SVM进行训练.

5、得到XML文件

具体代码如下：

HOG特征向量计算方法：

利用矩形HOG结构，2×2个cell组成一个block块，每个cell由8×8像素的图像区域组成，步长N为8，而每个cell的梯度方向从0⁰-360⁰分成9个方向块。对于0⁰-180⁰的方向均匀投影到9个方向块，比如0⁰-20⁰投影到a₁块，20⁰-40⁰投影到a₂块。也就是说每个cell要对9维的特征进行梯度幅度投影，形成9维的特征向量，block内的四个cell独立产生9维的特征向量，计算某个cell的特征向量时，投影的时候同一个block内的另外三个cell中的像素也要对这个cell的特征向量进行投影，投影的权重使用三线性插值方法，这样在48×48的图片大小下，利用公式N = ((W–w_b )/stride + 1)*((H-h_b)/stride+1)*bins*n    ，        

其中W为图片的宽，H为图片的高，w_b和h_b为block的宽与高，stride为cell的大小，bins为投影的区块，n为一个block中包含的cell的个数。

就产生900维的特征向量。

 //////////////////extract the hog feature from images //////////////////////////////////////////////////////////////
      #define HOG_VECTOR 900    // 图像HOG特征向量  ((48-16)/8 + 1)*(48-16)/8 + 1)*9*4=900
      #define TRAIN_IMG_NUM 800  //总共的样本（图像）数
         HOGDescriptor hog(cvSize(48,48),cvSize(16,16),cvSize(8,8),cvSize(8,8),9,1,-           1,HOGDescriptor::L2Hys,0.2,false,HOGDescriptor::DEFAULT_NLEVELS);           //初始化HOG描述符
         vector<float>descrip;
         vector<float>totaldescrip(HOG_VECTOR*TRAIN_IMG_NUM);   //将所有HOG特征向量保存在vector中
         vector<float>::iterator pos;
         pos=totaldescrip.begin();
         int ImageNum=0;
          Mat img;
          FILE* f = "pictures.txt"; //存放样本图像

      char _filename[1024];

          for (;;)
         {
             char* filename = _filename;
             if(f)
             {
                 if(!fgets(filename, (int)sizeof(_filename)-2, f))
                     break;
                 //while(*filename && isspace(*filename))
                 //  ++filename;
                 if(filename[0] == '#')
                     continue;
                 int l = strlen(filename);
                 while(l > 0 && isspace(filename[l-1]))
                     --l;
                 filename[l] = '\0';
                 img = imread(filename);
             }
             printf("%s:\n", filename);
             if(!img.data)
                 continue;

             fflush(stdout);
             hog.compute(img,descrip);    //计算每幅图像的HOG特征向量

             vector<float>::iterator iter;
                           for (iter=descrip.begin();iter!=descrip.end();iter++,pos++)
                           {
                     *pos=*iter;
                           }
         }

         float* buf2=&totaldescrip[0];
         Mat data_mat(TRAIN_IMG_NUM,HOG_VECTOR,CV_32FC1,buf2);

  //将图像标记为两类：1->正样本；2->负样本
         Mat res_mat=Mat::ones(TRAIN_IMG_NUM,1,CV_32SC1);
         for (int k=400;k<800;k++)
         {
             res_mat.at<unsigned int>(k, 0)=2;
         }
                  //利用SVM进行训练,生成XML文件
         TermCriteria criteria;
         SVM svm = SVM ();
         SVMParams param;
         criteria = cvTermCriteria (CV_TERMCRIT_EPS, 1000, FLT_EPSILON);
         param = SVMParams (SVM::C_SVC, SVM::LINEAR, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria);
         svm.train(data_mat,res_mat,Mat(), Mat(), param);
         svm.save ("svm_image.xml");

预测的代码：

   

               hog.compute(img,descrip3);
     float* buf3=&descrip3[0];
     Mat hog_data_mat(1,900,CV_32FC1,buf3);

     SVM svm_hog=CvSVM();
     svm_hog.load("svm_image.xml");
     float index=0.;
 index=svm_hog.predict(hog_data_mat);
 cout<<"index="<<index<<endl;