自己训练SVM-HOG分类器，进行HOG+SVM+OPENCV行人检测（完整工程项目）
在行人检测方面，SVM+HOG方法是比较普遍的，但是其检测准确率的影响因素有很多，不同场景中的行人，如：街道、商场等，以及不同的人群密集度，会影响检测的最终准确率。opencv2.2+版本就已经实现了hog特征提取，opencv中虽然有已经训练好的SVM分类器，但是针对不同的实际项目环境，效果不佳.。因此本文演示做一个svm-hog训练器，大家可以替换我的正负训练样本，做一个自己想要的训练器。本文环境：Windows7+VS2010+opencv2.4.9。
一、数据处理
本文采用行人数据集：http://pascal.inrialpes.fr/data/human/，不过根据实际情况，我把样本进行了处理，处理后结果是：正负样本，大小均为64x128。再对负样本进行随机裁剪处理，每个图像随机裁剪成10个图像，作为负样本。具体可见我的工程项目中的pos和neg文件。
1、利用样本提取hog描述子：维度为3780+1=3781，维度具体计算：
Size： 64x128；Block：16x16；Cell：8x8；Stride：8x8；Bin：9
一共有：（（64-16）/8+1）x（（128-16）/8+1）=105 Block
每个Block：（16/8）x（16/8）=4 Cell
然后：4x9 Bin=36
所以hog特征维度为：105x36 =3780维
再加上一个偏置共 ：3780+1=3781维（后面测试时会显示这个参数）
2、提取hog特征，训练SVM
3、利用SVM训练的模型，来进行行人检测。
4、正样本pos和负样本neg
二、代码部分
1、主函数部分
#include
#include
#include
#include
#include
#include
#include
using namespace std;
using namespace cv;
#define PosSamNO 3350 //正样本个数
#define NegSamNO 15633 //负样本个数
#define TRAIN false //true表示重新训练，false表示读取xml文件中的SVM模型
#define HardExampleNO 37
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
double 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);
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
if(TRAIN)
{
string ImgName;//图片名(绝对路径)
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)
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(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)
//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
}
//处理HardExample负样本
if(HardExampleNO > 0)
{
ifstream finHardExample("hard.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)
//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+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
}
}
2、训练SVM分类器
//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；惩罚因子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"<(i,j) = pSVData[j];
}
}
//将alpha向量的数据复制到alphaMat中
double * pAlphaData = svm.get_alpha_vector();
for(int i=0; i(0,i) = pAlphaData[i];
}
//计算-(alphaMat * supportVectorMat),结果放到resultMat中
resultMat = -1 * alphaMat * supportVectorMat;
//得到最终的可用检测子
vector myDetector;
//将resultMat中的数据复制到数组myDetector中
for(int i=0; i(0,i));
}
//添加偏移量rho，得到检测子
myDetector.push_back(svm.get_rho());
cout<<"检测子维数："< 3、测试分类器
//读入图像进行HOG行人检测
Mat src = imread("4.jpg");
vector found, found_filtered;
cout<<"进行多尺度HOG人体检测"< 三、实验测试
1、生成的SVM训练器.xml如下：
2、进行测试
随便找一张行人图像，利用训练好的SVM_HOG分类器，进行行人识别。测试结果为：
从上图可以看出简单的测试结果，训练器的正负样本对其影响很大，建议大家根据具体的项目环境，进行采集图像，再做训练。上述代码注释得很清楚，如果大家为了方便，也可以下载我的工程项目（里面也包含了训练正负样本图像），链接是：https://pan.baidu.com/s/1UTHk3kd5C_4Ao7RzTUjhyA，提取码：v8lr