Opencv之HOG特征与SVM相结合的人体检测
首先来说说图像处理领域的HOG特征：
HOG（histogram of oriented gradient） 是用于目标检测的特征描述子，由 Navneet Dalal 和 Bill Triggs 于05年在CVPR首次提出，是用于静态图像或视频行人检测的实用方法。HOG的核心思想：是利用物体的像素梯度以及边缘方向分布来描述该物体的 appearance 和shape 。
HOG算法步骤：
扫描一副图像，
①将图像灰度化
②采用Gamma校正法进行颜色空间的标准化（归一化）——调节图像的对比度，降低图像局部的阴影、光照变化所造成的影响，抑制噪音的干扰
③计算每个像素梯度的大小和方向
④将图像划分成小cells
⑤统计每个cell的梯度直方图
⑥将2x2cell或者3x3cell或者更多...组成一个block，一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。将图像内的所有block的HOG特征descriptor串联起来就可以得到该图像的HOG特征descriptor。
说了这么多，其实我这种一般的玩家并没有懂得HOG算法的深层数学性原理，以后有空要好好研究一下。下面来说说HOG与SVM的结合。
我利用opencv+VS2010 for win7 64bits，很方便地实现了HOG特征的提取和SVM训练。OpenCV中的HOG特征提取功能使用了HOGDescriptor这个类来进行封装，其中也有现成的行人检测的接口。
①HOGDescriptor类，默认构造函数如下（更详细资料请看http://blog.csdn.net/raodotcong/article/details/6239431）
winSize(64,128), blockSize(16,16), blockStride(8,8),
cellSize(8,8), nbins(9), derivAperture(1), winSigma(-1),
histogramNormType(HOGDescriptor::L2Hys), L2HysThreshold(0.2), gammaCorrection(true),
nlevels(HOGDescriptor::DEFAULT_NLEVELS)
winSize ： 窗口的大小
blockSize ：块的大小
blockStride：块步长
cellSize： 胞元的大小
nbins： 方向bin的个数 nBins表示在一个胞元（cell）中统计梯度的方向数目，例如nBins=9时，在一个胞元内统计9个方向的梯度直方图，每个方向为360/9=40度
②HOGDescriptor.compute（src,descriptors,Size（8,8））方法：计算源图像src的描述子，步长为（8,8）
然后是SVM训练方法。首先需要了解CvSVM类，更详细资料请看http://blog.csdn.net/xidianzhimeng/article/details/41979785。
用opencv训练SVM的一般方法是：
①设置训练样本集
需要两组数据，一组是数据的类别，一组是数据的向量信息。
②设置SVM参数
利用CvSVMParams类实现类内的成员变量svm_type表示SVM类型：
CvSVM：：C_SVC C-SVC
CvSVM：：NU_SVCv-SVC
CvSVM：：ONE_CLASS一类SVM
CvSVM：：EPS_SVRe-SVR
CvSVM：：NU_SVRv-SVR
成员变量kernel_type表示核函数的类型：
CvSVM：：LINEAR线性：u‘v
CvSVM：：POLY多项式：(r*u'v + coef0)^degree
CvSVM：：RBFRBF函数：exp(-r|u-v|^2)
CvSVM：：SIGMOIDsigmoid函数：tanh(r*u'v + coef0)
成员变量degree针对多项式核函数degree的设置，gamma针对多项式/rbf/sigmoid核函数的设置，coef0针对多项式/sigmoid核函数的设置，Cvalue为损失函数，在C-SVC、e-SVR、v-SVR中有效，nu设置v-SVC、一类SVM和v-SVR参数，p为设置e-SVR中损失函数的值，class_weightsC_SVC的权重，term_crit为SVM训练过程的终止条件。其中默认值degree = 0，gamma = 1，coef0 = 0，Cvalue = 1，nu = 0，p = 0，class_weights = 0
③训练SVM
调用CvSVM：：train函数建立SVM模型，第一个参数为训练数据，第二个参数为分类结果，最后一个参数即CvSVMParams
用这个SVM进行分类
调用函数CvSVM：：predict实现分类
④获得支持向量
除了分类，也可以得到SVM的支持向量，调用函数CvSVM：：get_support_vector_count获得支持向量的个数，CvSVM：：get_support_vector获得对应的索引编号的支持向量。
// step 1:
float labels[4] = {1.0, -1.0, -1.0, -1.0};
Mat labelsMat(3, 1, CV_32FC1, labels);
float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };
Mat trainingDataMat(3, 2, CV_32FC1, trainingData);
// step 2:
CvSVMParams params;
params.svm_type = CvSVM::C_SVC;
params.kernel_type = CvSVM::LINEAR;
params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);
// step 3:
CvSVM SVM;
SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
// step 4:
Vec3b green(0, 255, 0), blue(255, 0, 0);
for (int i=0; i(1,2) << i,j);
float response = SVM.predict(sampleMat);
if (fabs(response-1.0) < 0.0001)
{
image.at(j, i) = green;
}
else if (fabs(response+1.0) < 0.001)
{
image.at(j, i) = blue;
}
}
}
// step 5:
int c = SVM.get_support_vector_count();
for (int i=0; i 好了接下来进入正题（咳咳，其实前面也是正题，不要在意我的措辞细节）：
首先是找样本，正负样本当然是越多越好，我找的样本不多，正负样本各1200张左右，网上能找到很多有关人体检测的样本的，这里贴一下我的样本来源：http://pascal.inrialpes.fr/data/human/（很有名的INRIA行人数据库~）。样本搜集好之后，还要对正负样本的格式进行处理，我的处理步骤比较粗略：
①格式转换为统一的jpg格式（下载好的图片既有jpg也有png，所以为了处理方便，进行了统一转换）；②正样本的大小进行归一化处理，我将正样本统一处理成64×128像素尺寸，负样本倒是不需要过多处理；③命名规则化——正负样本放入不同的文件夹，分别命名为1.jpg，2.jpg，3.jpg...这样做能方便图片的输入。
In particular...我刚开始自己编程写了个文件批量改名程序和格式转换程序，花了不少时间- -（声明：洛基是学渣）然后发现可以直接用专业的软件进行快速处理，当时心情简直了- -By the way，在这里洛基推荐一款图像处理方便挺不错的软件——ACDSee 18。除了会一直占用内存外，这款软件还是很好用的。
OK，now let's begin our game.
#include
#include
#include
#include
#include
#include
#include
using namespace cv;
using namespace std;
#define PosSamNO 1126 //正样本个数
#define NegSamNO 1210 //负样本个数
//生成setSVMDetector()中用到的检测子参数时要用到的SVM的decision_func参数时protected类型，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()
{
HOGDescriptor hog(Size(64,128),Size(16,16),Size(8,8),Size(8,8),9);//窗口大小(64,128),块尺寸（16,16），块步长(8,8),cell尺寸(8,8),直方图bin个数9
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;
string ImgName;//图片名
ifstream finPos("pos.txt");//正样本图片的文件名列表
ifstream finNeg("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; num 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)
//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sampleFeatureMat，行数等于所有样本的个数，列数等于HOG描述子维数
sampleFeatureMat = Mat::zeros(PosSamNO+NegSamNO, 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; i(num,i) = descriptors[i];//第num个样本的特征向量中的第i个元素
sampleLabelMat.at(num,0) = 1;//正样本类别为1，有人
}
//处理负样本的流程和正样本大同小异
for(int num=0; num 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)
//将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat
for(int i=0; i(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(num+PosSamNO,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(i,j)<<" ";
fout<(i,j) = pSVData[j];//第i个向量的第j维数据
}
//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
double * pAlphaData = svm.get_alpha_vector();
for(int i=0; i(0,i) = pAlphaData[i];//alpha向量，长度等于支持向量个数
}
resultMat = -1 * alphaMat * supportVectorMat;//计算-(alphaMat * supportVectorMat),结果放到resultMat中，
//注意因为svm.predict使用的是alpha*sv*another-rho，如果为负的话则认为是正样本，在HOG的检测函数中，
//使用rho-alpha*sv*another如果为正的话是正样本，所以需要将后者变为负数之后保存起来
//得到最终的setSVMDetector(const vector& detector)参数中可用的检测子
vector myDetector;
//将resultMat中的数据复制到数组myDetector中
for(int i=0; i(0,i));
}
myDetector.push_back(svm.get_rho());//最后添加偏移量rho，得到检测子
cout<<"检测子维数："< found, found_filtered;//矩形框数组
cout<<"进行多尺度HOG人体检测"< 
这些是部分检测结果图~其实检测效果一般，很多误判和漏检，所以需要注意的是，正样本一定要把格式处理好，最好是一张图片大部分是包含那个人体，其他物体、风景不要包含太多进去了，同时正负样本的数量要多~~等过两天改进一下，添加一个自举检测的功能试试看，据说效果很好，拭目以待吧~Bye~！