OPENCV HOG特征+SVM分类器行人识别（从训练到识别）

          想要训练分类器，首先要有样本，正样本和负样本，在这里就是有人的样本和没有人的样本，我的样本来源于”INRIA Person Dataset”这个网站，链接为点击打开链接，在下边有个蓝色here（970M），点击下载即可，也可以去我的网盘下载，地址点击打开链接，主要是外国网站太难下载了，我费了很大劲才下载成功，没必要因为样本耽误太多时间。

     下载了样本解压后，点击进去“96X160H96”这个文件夹里放的是正样本，“Train”文件夹下的“neg”放的是负样本，但是负样本需要处理一下才能成为训练分类器的负样本，处理代码如下：别忘了配置你的opencv环境，千万千万注意要更改图片文件的路径，换成你自己的。

#include 
#include #include 
#include  //srand()和rand()函数
#include  //time()函数
#include 
#include 
#include 
#include 
#include 

using namespace std;
using namespace cv;

int CropImageCount = 0; //裁剪出来的负样本图片个数

int main()
{
	Mat src;
	string ImgName;

	char saveName[256];//裁剪出来的负样本图片文件名
	ifstream fin("INRIANegativeImageList.txt");//打开原始负样本图片文件列表
	//ifstream fin("subset.txt");

	//一行一行读取文件列表
	while(getline(fin,ImgName))
	{
		cout<<"处理："<= 64 && src.rows >= 128)
		{
			srand(time(NULL));//设置随机数种子

			//从每张图片中随机裁剪10个64*128大小的不包含人的负样本
			for(int i=0; i<10; i++)
			{
				int x = ( rand() % (src.cols-64) ); //左上角x坐标
				int y = ( rand() % (src.rows-128) ); //左上角y坐标
				//cout<

有了样本就可以训练分类器并进行识别测试了，代码如下：同样要配置自己的opencv环境，更改图片的路径

在训练分类器代码中要注意几个#define变量的值，修改这些值会在训练和加载已有分类器之间切换等等，可以自己看看研究下，代码不多，简单易懂。

#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 0  


//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："<

想下载我的程序可点击下列链接：

训练分类器：点击打开链接

负样本处理：点击打开链接