Emgu.CV训练自己的hog特征，可实现任意物体的检测
本文由：姚磊岳（[email protected]）于2017-5-28撰，转载请保留作者信息。
按照惯例，先吐槽：Emgu.CV的资料太少了，不知道是不是C#做图形的太小众。因为项目需要，需要对图片中的车辆进行标定。于是想到了HOG+SVM的方式。在Emgu.CV中默认提供了已经训练好的行人检测的特征，但是如果要检测其他物体，必须自己进行训练。于是在网上一通寻找，居然没有完整的代码，没办法，只有苦逼的自己动手。弄了整整一天，终于实现。应该是目前网络上比较详细的一篇EMGU.CV自行训练的文章了，大家如要转载请保留作者信息。效果如图：
方便自己，也方便他人，把今天所实现的代码上传，并详细说明。时间有限，没有做封装，凑合着看。
需要具备：
1、HOG的基本概念；
2、用于检测目标的正负样本。如：需要检测的是车辆，则需要有车辆的各种样本。本文车辆正样本只有500个，所以最终的检测效果并不好（如上图所示），如果样本足够，可以检测到图片中的全部车辆。
思路流程：
1、根据训练样本，设计HOG描述子；
2、获取正负样本HOG值；
3、训练SVM；
4、从训练好的SVM提取出hog描述值（一个一维的float数组，这是实现过程中最难的）
5、检测
检测
详解：
1、根据训练样本，设计HOG描述子（有的也叫HOG算子）；
这里需要有HOG的基本概念，什么是窗口大小，什么是block，什么是cell等等，网上资料很多，这里不做过多届时。
在我的实现中，正负训练样本是36*36像素的图片，于是，我的HOG算子设计如下：
第一个参数：winsize：窗口大小，我取样本大小；
第二个参数：block，我的是12*12；当然，也可以设置为18*18或者6*6，切记：BLOCK大小不能是技术值，至于为什么，看一下cell和block的关系即可。同时：设计的过程中，BLOCK要可被winsize整除。网上的资料都是16*16，也没有说清楚为什么，其实这个看懂了HOG后可以自行设置
第三个参数：stride，我的设置是6*6，当然也可以设置为12*12或者4*4，不同的设置，将得到不同的纬度数量；
第四个参数：cell，4个cell构成1个block，这也就是block一定要是偶数的原因。
第五个参数：需要得到几个channel的值，默认是9个，具体原因请参见HOG原论文
当我们设置完毕后，纬度信息就可以计算出来了
a = (winsize宽-block宽) / stride宽 +1
b = (winsize高-block高) / stride高 +1
c = block宽 / cell宽
d = block高/block高
纬度 = a*b*c*d*channel数，在本例中为：5*5*2*2*9 = 900
这个值，在通过hog.compute(图片)时也可以得到，当然，自己算一下也未尝不可，至少不用像网上资料那样进行判断。
2、获取正负样本HOG值
这一步相对来说很简单，即：将正负样本图片一一读入，然后逐一计算，并添加到matrix中即可。直接上代码：
有必要说明的是：
（1）Image
hog支持的是灰度图片，不能用彩色图片进行训练。
（2）
Matrix
//500样本+467负样本，HOG纬度=(36-12)/6 + 1) *(36-12)/6 + 1) * 4 *9
Matrix
这是SVM训练所需要的两个参数，HogFeatureData是全部样本（正负样本都在）的hog矩阵，其中967是样本数量，900是HOG的纬度，怎么来的，前面已经说明了计算方法。
featureClasses是每一个样本对应的类别，正样本对应1，负样本对应-1
3、训练SVM
这步比较简单，没有什么复杂的地方，直接看代码即可。
4、从训练好的SVM提取出hog描述值
这是实现过程中最难的，也是我本人在实现过程中花时间最多的。当然首先是自己没有用LibSVM等其他的技术辅助（我也不会，汗……）。我实现的方法很笨，如果各位有LibSVM基础的，可以忽略我的这个步骤。
首先，得感谢：http://www.cnblogs.com/KC-Mei/p/4553024.html博客的作者，虽然还有很多方法可以得到项对应的值，但是我也懒得动脑筋，直接拿来主义了。
这里一共要获得4个变量。详细代码请下载本文最终所提供的全部源代码。至于怎么计算，老样子，先上代码：
（1）首先，如果已经训练过样本，并保存了（本例在第三步所做的事），则可以通过直接读取XML避免再次训练。
resultMat = -1 * alphaMat * svmMat;
这个是计算hog detector的关键步骤，原理可寻找相关网上资料，这里就不详叙了。
（2）float[] mydetector = new float[DescriptorDim + 1];
for (int i = 0; i < DescriptorDim; i++)
{
mydetector[i] = resultMat[0, i];
}
mydetector[DescriptorDim] = rhoValue;
这里一定要说明一下，hog的纬度在本例中是900，但是detector要加上一纬偏移，也就是901纬。组后一纬度的值是rho的节点值。第三步训练完毕后，我们可以打开保存的XML，找到这个节点。
这个步骤牵涉到较多的HOG原理，很奇怪为什么EmguCv不能直接提供一个封装的方法。要使用者大费周章去自己计算。也许这就是开源的不足之处吧，有时间了，自己要封装一个方法，每次这样写代码得累死，也毫无意义。
接下来第五步：预测 就简单多了。
（1）为了自己编程方便，定义了一个类：myRect，其中：rct用来存放检测出来的矩形框类性；score是这个矩形框的得分（得分越高，检测越准，在编程过程当中，我们可以通过对score进行阈值设定，以屏蔽一些不靠谱的检测）
（2）在Using这块，网上全部的资料都是：HOGDescriptor hog = new HOGDescriptor(）；
这是不对的，如果仅用来检测行人，或者默认的hog算子即可的话（默认hog算子为：winsize：64*128，block:16*16,stride:8*8,cell:8*8），那没有问题，但如果我们定义了我们自己的HOG算子，则必须保持和我们自己hog算子的一致。故在本例中必须：
using (HOGDescriptor hog = new HOGDescriptor(new Size(36, 36), new Size(12, 12), new Size(6, 6), new Size(6, 6), 9))
然后：
hog.SetSVMDetector(mydetector);
代表，将HOG的SVM的detector设置为我们之前计算出来的值。
设置完毕后，就可以通过我们自行训练的SVM来进行检测了。代码比较简单，就不再详述了。
全部源代码下载地址：http://download.csdn.net/detail/u011616825/9855112