HOG+SVM 自己制作训练样本+训练分类器

      最近在做行人检测的项目，其中用到了HOG+SVM，SVM分类器用的是opencv自己提供的，但对于具体应用，该分类器可能并不适用。因此想到制作训练样本，并训练SVM分类器。

      步骤如下：

1、从原始图片生成样本

       对比INRIAPerson\INRIAPerson\Train\pos（原始图片），INRIAPerson\train_64x128_H96\pos（生成样本）可以发现，作者从原始图片裁剪出一些站立的人，要求该人不被遮挡，然后对剪裁的图片left-right reflect。以第一张图片为例crop001001，它剪裁了2个不被遮挡的人，再加上原照片，共3张，再加左右镜像，总共6张。

2、裁剪

　去网上下载基于opencv1.0的程序imageclipper.exe，它能够通过画矩形框自动对图片进行裁剪，自动生成文件名并保存在同一路径下新生成的imageclipper文件夹下。

3.改变图片大小

　 下载Acdsee软件，工具/批量旋转、翻转图像,可以对图像进行旋转和镜像，然后Resize，使图像缩放到同一尺寸

4.调用Hog+SVM训练样本

#include "cv.h"
#include "highgui.h"
#include <ml.h>
#include <iostream>
#include <fstream>
#include <string>
#include <vector>
using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
vector<string> img_path;//输入文件名变量
vector<int> img_catg;
int nLine = 0;
string buf;
ifstream svm_data( "svmTrainSet.txt" );//首先，这里搞一个文件列表，把训练样本图片的路径都写在这个txt文件中，使用bat批处理文件可以得到这个txt文件
unsigned long n;

while( svm_data )//将训练样本文件依次读取进来
{
if( getline( svm_data, buf ) )
{
nLine ++;
if( nLine % 2 == 0 )//这里的分类比较有意思，看得出来上面的SVM_DATA.txt文本中应该是一行是文件路径，接着下一行就是该图片的类别，可以设置为0或者1，当然多个也无所谓
{
img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，标志（0,1），注意这里至少要有两个类别，否则会出错
}
else
{
img_path.push_back( buf );//图像路径
}
}
}
svm_data.close();//关闭文件

CvMat *data_mat, *res_mat;
int nImgNum = nLine / 2; //读入样本数量 ，因为是每隔一行才是图片路径，所以要除以2
////样本矩阵，nImgNum：横坐标是样本数量， WIDTH * HEIGHT：样本特征向量，即图像大小
data_mat = cvCreateMat( nImgNum, 1764, CV_32FC1 );  //这里第二个参数，即矩阵的列是由下面的descriptors的大小决定的，可以由descriptors.size()得到，且对于不同大小的输入训练图片，这个值是不同的
cvSetZero( data_mat );
//类型矩阵,存储每个样本的类型标志
res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );
cvSetZero( res_mat );

IplImage* src;
string path;
IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3);//需要分析的图片，这里默认设定图片是64*64大小，所以上面定义了1764，如果要更改图片大小，可以先用debug查看一下descriptors是多少，然后设定好再运行

vector<float>descriptors;//结果数组
//开始搞HOG特征
HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(8,8),cvSize(8,8),9);  //具体意思见参考文章1,2

for( string::size_type i = 0; i != img_path.size(); i++ )
{
path=".\\TrainData\\"+img_path[i];
src=cvLoadImage(path.c_str(),1);
if( src == NULL )
{
cout<<" can not load the image: "<<img_path[i].c_str()<<endl;
continue;
}

cout<<" processing "<<img_path[i].c_str()<<endl;

cvResize(src,trainImg);   //读取图片

hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算

cout<<"HOG dims: "<<descriptors.size()<<endl;
//CvMat* SVMtrainMat=cvCreateMat(descriptors.size(),1,CV_32FC1);
n=0;
for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
{
cvmSet(data_mat,i,n,*iter);//把HOG存储下来
n++;
}
//cout<<SVMtrainMat->rows<<endl;
cvmSet( res_mat, i, 0, img_catg[i] );
//{
//	vector<float>().swap(descriptors); //释放vector内存
//}
cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
cvReleaseImage( &src );
src=NULL;

}

CvSVM svm = CvSVM();//新建一个SVM
CvSVMParams param;//这里是参数
CvTermCriteria criteria;
criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );
param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );
/*
SVM种类：CvSVM::C_SVC
Kernel的种类：CvSVM::RBF
degree：10.0（此次不使用）
gamma：8.0
coef0：1.0（此次不使用）
C：10.0
nu：0.5（此次不使用）
p：0.1（此次不使用）
然后对训练数据正规化处理，并放在CvMat型的数组里。
*/
//☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆
svm.train( data_mat, res_mat, NULL, NULL, param );//训练啦
//☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆
svm.save( "SVM_DATA.xml" );

}

5.利用训练好的分类器进行测试

//检测样本
IplImage *test;
vector<string> img_tst_path;
ifstream img_tst( "svmTestSet.txt" );//同输入训练样本，这里也是一样的，只不过不需要标注图片属于哪一类了
while( img_tst )
{
if( getline( img_tst, buf ) )
{
img_tst_path.push_back( buf );
}
}
img_tst.close();

CvMat *test_hog = cvCreateMat( 1, 1764, CV_32FC1 );//注意这里的1764，同上面一样
CvMat* SVMtrainMat;
char line[512];
ofstream predict_txt( "svmPredict.txt" );//把预测结果存储在这个文本中
CvSVM svm_hog;
svm_hog.load("SVM_DATA.xml");

for( string::size_type j = 0; j != img_tst_path.size(); j++ )//依次遍历所有的待检测图片
{
path=".\\TestData\\"+img_tst_path[j];
test = cvLoadImage(path.c_str(), 1);
if( test == NULL )
{
cout<<" can not load the image: "<<img_tst_path[j].c_str()<<endl;
continue;
}

cvZero(trainImg);
cvResize(test,trainImg);   //读取图片
//vector<float>descriptors;//结果数组
hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算

cout<<"HOG dims: "<<descriptors.size()<<endl;

if (j==0)
{
SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1);
}
n=0;
for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
{
cvmSet(SVMtrainMat,0,n,*iter);
n++;
}

int ret = svm_hog.predict(SVMtrainMat);//获取最终检测结果，这个predict的用法见 OpenCV的文档
std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret );

/*{
vector<float>().swap(descriptors);
}*/
predict_txt<<line;
cvReleaseImage( &test );
test=NULL;

}
predict_txt.close();

完整代码及imageclipper.exe下载：http://download.csdn.net/detail/chlele0105/6324719