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 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："<(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
}
//依次读取负样本图片，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)
//cout<<"描述子维数："<(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
}
//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 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："<(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(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(i,j)<<" ";
// fout<(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(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 myDetector;
//将resultMat中的数据复制到数组myDetector中
for(int i=0; i(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："< found, found_filtered;//矩形框数组
cout<<"进行多尺度HOG人体检测"< 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(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："< 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。
自己训练SVM分类器进行HOG行人检测
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