自己训练SVM分类器进行HOG行人检测

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)。

SVM使用的是OpenCV自带的CvSVM类。

首先计算正负样本图像的HOG描述子，组成一个特征向量矩阵，对应的要有一个指定每个特征向量的类别的类标向量，输入SVM中进行训练。

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。

用训练好的分类器在负样本原图上检测Hard Example见：用初次训练的SVM+HOG分类器在负样本原图上检测HardExample

Navneet Dalal在CVPR2005上的HOG原论文翻译见：http://blog.csdn.net/masibuaa/article/details/14056807

 #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 false    //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 4435


 //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("INRIAPerson96X160PosList.txt");//正样本图片的文件名列表
         //ifstream finPos("PersonFromVOC2012List.txt");//正样本图片的文件名列表
         ifstream finNeg("NoPersonFromINRIAList.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; num
         {
             cout<<"处理："<
             //ImgName = "D:\\DataSet\\PersonFromVOC2012\\" + ImgName;//加上正样本的路径名
             ImgName = "D:\\DataSet\\INRIAPerson\\INRIAPerson\\96X160H96\\Train\\pos\\" + ImgName;//加上正样本的路径名
             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，0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; i
                 sampleFeatureMat.at<float>(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; num
         {
             cout<<"处理："<
             ImgName = "D:\\DataSet\\NoPersonFromINRIA\\" + ImgName;//加上负样本的路径名
             Mat src = imread(ImgName);//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; i
                 sampleFeatureMat.at<float>(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("HardExample_2400PosINRIA_12000NegList.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; num
             {
                 cout<<"处理："<
                 ImgName = "D:\\DataSet\\HardExample_2400PosINRIA_12000Neg\\" + ImgName;//加上HardExample负样本的路径名
                 Mat src = imread(ImgName);//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; i
                     sampleFeatureMat.at<float>(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"<
         svm.train(sampleFeatureMat, sampleLabelMat, Mat(), Mat(), param);//训练分类器
         cout<<"训练完成"<
         svm.save("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("SVM_HOG_2400PosINRIA_12000Neg_HardExample(误报少了漏检多了).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："<

     Mat alphaMat = Mat::zeros(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; i
     {
         const 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; j
         {
             //cout<
             supportVectorMat.at<float>(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; i
     {
         alphaMat.at<float>(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; i
     {
         myDetector.push_back(resultMat.at<float>(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
     {
         fout<
     }


     /**************读入图片进行HOG行人检测******************/
     //Mat src = imread("00000.jpg");
     //Mat src = imread("2007_000423.jpg");
     Mat src = imread("1.png");
     vector found, found_filtered;//矩形框数组
     cout<<"进行多尺度HOG人体检测"<
     myHOG.detectMultiScale(src, found, 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; i
     {
         Rect r = found_filtered[i];
         r.x += cvRound(r.width*0.1);
         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();//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("person014142.jpg");
     //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");
 }

结果：

(1) 1500个INRIA正样本，2000个负样本，结果误报太多：

(2) 2400个INRIA正样本，12000个负样本，结果表明负样本增多后误报明显减少，但依然有不少误报：

(3)2400个INRIA正样本，12000个负样本 + 4435个用(2)中的分类器在负样本原图上检测出来的Hard Example，

结果误报明显减少，几乎没有误报了，但同时漏检率增加：

上图中的两个小女孩都没有被检测出来

(4)下面是OpenCV中HOG检测器的默认SVM参数的结果，OpenCV自带的SVM参数也是用INRIA数据集训练得到的：

上图中的两个小女孩用OpenCV默认SVM参数也检测不出来。

所以感觉要想效果好的话，还应该加大正样本的个数。

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

源码下载，环境为VS2010 + OpenCV2.4.4

http://download.csdn.net/detail/masikkk/6547973

1500个INRIA正样本，2000个负样本训练好的SVM下载(XML文件)：http://pan.baidu.com/s/18CCos

2400个INRIA正样本，12000个负样本训练好的SVM下载(XML文件)：http://pan.baidu.com/s/1gmudL

2400个INRIA正样本，12000个负样本 + 4435个用(2)中的分类器在负样本原图上检测出来的Hard Example 训练好的SVM下载(XML文件)：http://pan.baidu.com/s/126Yoc

原文地址：http://blog.csdn.net/masibuaa/article/details/16105073