OpenCV中的HOG+SVM物体分类
2014-09-03 10:30
316 查看
之前介绍过Hog特征(http://blog.csdn.net/carson2005/article/details/7782726)，也介绍过SVM分类器（http://blog.csdn.net/carson2005/article/details/6453502 ）；而本文的目的在于介绍利用Hog特征和SVM分类器来进行行人检测。
在2005年CVPR上，来自法国的研究人员Navneet Dalal 和Bill Triggs提出利用Hog进行特征提取，利用线性SVM作为分类器，从而实现行人检测。而这两位也通过大量的测试发现，Hog+SVM是速度和效果综合平衡性能较好的一种行人检测方法。后来，虽然很多研究人员也提出了很多改进的行人检测算法，但基本都以该算法为基础框架。因此，Hog+SVM也成为一个里程表式的算法被写入到OpenCV中。在OpenCV2.0之后的版本，都有Hog特征描述算子的API，而至于SVM，早在OpenCV1.0版本就已经集成进去了；OpenCV虽然提供了Hog和SVM的API，也提供了行人检测的sample，遗憾的是，OpenCV并没有提供样本训练的sample。这也就意味着，很多人只能用OpenCV自带的已经训练好的分类器来进行行人检测。然而，OpenCV自带的分类器是利用Navneet
Dalal和Bill Triggs提供的样本进行训练的，不见得能适用于你的应用场合。因此，针对你的特定应用场景，很有必要进行重新训练得到适合你的分类器。本文的目的，正在于此。
重新训练行人检测的流程：
（1）准备训练样本集合；包括正样本集和负样本集；根据机器学习的基础知识我们知道，要利用机器学习算法进行样本训练，从而得到一个性能优良的分类器，训练样本应该是无限多的，而且训练样本应该覆盖实际应用过程中可能发生的各种情况。（很多朋友，用10来个正样本，10来个负样本进行训练，之后，就进行测试，发现效果没有想象中的那么好，就开始发牢骚，抱怨。。。对于这些人，我只能抱歉的说，对于机器学习、模式识别的认识，你还处于没有入门的阶段）；实际应用过程中，训练样本不可能无限多，但无论如何，三五千个正样本，三五千个负样本，应该不是什么难事吧？（如果连这个都做不到，建议你别搞机器学习，模式识别了；训练素材都没有，怎么让机器学习到足够的信息呢？）
（2）收集到足够的训练样本之后，你需要手动裁剪样本。例如，你想用Hog+SVM来对商业步行街的监控画面中进行行人检测，那么，你就应该用收集到的训练样本集合，手动裁剪画面中的行人（可以写个简单程序，只需要鼠标框选一下，就将框选区域保存下来）。
（3）裁剪得到训练样本之后，将所有正样本放在一个文件夹中；将所有负样本放在另一个文件夹中；并将所有训练样本缩放到同样的尺寸大小。OpenCV自带的例子在训练时，就是将样本缩放为64*128进行训练的；
（4）提取所有正样本的Hog特征；
（5）提取所有负样本的Hog特征；
（6）对所有正负样本赋予样本标签；例如，所有正样本标记为1，所有负样本标记为0；
（7）将正负样本的Hog特征，正负样本的标签，都输入到SVM中进行训练；Dalal在论文中考虑到速度问题，建议采用线性SVM进行训练。这里，不妨也采用线性SVM；
（8）SVM训练之后，将结果保存为文本文件。
（9）线性SVM进行训练之后得到的文本文件里面，有一个数组，叫做support vector，还有一个数组，叫做alpha,有一个浮点数，叫做rho;将alpha矩阵同support vector相乘，注意，alpha*supportVector,将得到一个列向量。之后，再该列向量的最后添加一个元素rho。如此，变得到了一个分类器，利用该分类器，直接替换opencv中行人检测默认的那个分类器（cv::HOGDescriptor::setSVMDetector()），就可以利用你的训练样本训练出来的分类器进行行人检测了。
下面给出样本训练的参考代码：
[cpp] view plaincopyprint?
01.class Mysvm: public CvSVM
02.{
03.public:
04. int get_alpha_count()
05. {
06. return this->sv_total;
07. }
08.
09. int get_sv_dim()
10. {
11. return this->var_all;
12. }
13.
14. int get_sv_count()
15. {
16. return this->decision_func->sv_count;
17. }
18.
19. double* get_alpha()
20. {
21. return this->decision_func->alpha;
22. }
23.
24. float** get_sv()
25. {
26. return this->sv;
27. }
28.
29. float get_rho()
30. {
31. return this->decision_func->rho;
32. }
33.};
34.
35.void Train()
36.{
37. char classifierSavePath[256] = "c:/pedestrianDetect-peopleFlow.txt";
38.
39. string positivePath = "E:\\pictures\\train1\\pos\\";
40. string negativePath = "E:\\pictures\\train1\\neg\\";
41.
42. int positiveSampleCount = 4900;
43. int negativeSampleCount = 6192;
44. int totalSampleCount = positiveSampleCount + negativeSampleCount;
45.
46. cout<<"//////////////////////////////////////////////////////////////////"<<endl;
47. cout<<"totalSampleCount: "<<totalSampleCount<<endl;
48. cout<<"positiveSampleCount: "<<positiveSampleCount<<endl;
49. cout<<"negativeSampleCount: "<<negativeSampleCount<<endl;
50.
51. CvMat *sampleFeaturesMat = cvCreateMat(totalSampleCount , 1764, CV_32FC1);
52. //64*128的训练样本，该矩阵将是totalSample*3780,64*64的训练样本，该矩阵将是totalSample*1764
53. cvSetZero(sampleFeaturesMat);
54. CvMat *sampleLabelMat = cvCreateMat(totalSampleCount, 1, CV_32FC1);//样本标识
55. cvSetZero(sampleLabelMat);
56.
57. cout<<"************************************************************"<<endl;
58. cout<<"start to training positive samples..."<<endl;
59.
60. char positiveImgName[256];
61. string path;
62. for(int i=0; i<positiveSampleCount; i++)
63. {
64. memset(positiveImgName, '\0', 256*sizeof(char));
65. sprintf(positiveImgName, "%d.jpg", i);
66. int len = strlen(positiveImgName);
67. string tempStr = positiveImgName;
68. path = positivePath + tempStr;
69.
70. cv::Mat img = cv::imread(path);
71. if( img.data == NULL )
72. {
73. cout<<"positive image sample load error: "<<i<<" "<<path<<endl;
74. system("pause");
75. continue;
76. }
77.
78. cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
79. vector<float> featureVec;
80.
81. hog.compute(img, featureVec, cv::Size(8,8));
82. int featureVecSize = featureVec.size();
83.
84. for (int j=0; j<featureVecSize; j++)
85. {
86. CV_MAT_ELEM( *sampleFeaturesMat, float, i, j ) = featureVec[j];
87. }
88. sampleLabelMat->data.fl[i] = 1;
89. }
90. cout<<"end of training for positive samples..."<<endl;
91.
92. cout<<"*********************************************************"<<endl;
93. cout<<"start to train negative samples..."<<endl;
94.
95. char negativeImgName[256];
96. for (int i=0; i<negativeSampleCount; i++)
97. {
98. memset(negativeImgName, '\0', 256*sizeof(char));
99. sprintf(negativeImgName, "%d.jpg", i);
100. path = negativePath + negativeImgName;
101. cv::Mat img = cv::imread(path);
102. if(img.data == NULL)
103. {
104. cout<<"negative image sample load error: "<<path<<endl;
105. continue;
106. }
107.
108. cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
109. vector<float> featureVec;
110.
111. hog.compute(img,featureVec,cv::Size(8,8));//计算HOG特征
112. int featureVecSize = featureVec.size();
113.
114. for ( int j=0; j<featureVecSize; j ++)
115. {
116. CV_MAT_ELEM( *sampleFeaturesMat, float, i + positiveSampleCount, j ) = featureVec[ j ];
117. }
118.
119. sampleLabelMat->data.fl[ i + positiveSampleCount ] = -1;
120. }
121.
122. cout<<"end of training for negative samples..."<<endl;
123. cout<<"********************************************************"<<endl;
124. cout<<"start to train for SVM classifier..."<<endl;
125.
126. CvSVMParams params;
127. params.svm_type = CvSVM::C_SVC;
128. params.kernel_type = CvSVM::LINEAR;
129. params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, FLT_EPSILON);
130. params.C = 0.01;
131.
132. Mysvm svm;
133. svm.train( sampleFeaturesMat, sampleLabelMat, NULL, NULL, params ); //用SVM线性分类器训练
134. svm.save(classifierSavePath);
135.
136. cvReleaseMat(&sampleFeaturesMat);
137. cvReleaseMat(&sampleLabelMat);
138.
139. int supportVectorSize = svm.get_support_vector_count();
140. cout<<"support vector size of SVM："<<supportVectorSize<<endl;
141. cout<<"************************ end of training for SVM ******************"<<endl;
142.
143. CvMat *sv,*alp,*re;//所有样本特征向量
144. sv = cvCreateMat(supportVectorSize , 1764, CV_32FC1);
145. alp = cvCreateMat(1 , supportVectorSize, CV_32FC1);
146. re = cvCreateMat(1 , 1764, CV_32FC1);
147. CvMat *res = cvCreateMat(1 , 1, CV_32FC1);
148.
149. cvSetZero(sv);
150. cvSetZero(re);
151.
152. for(int i=0; i<supportVectorSize; i++)
153. {
154. memcpy( (float*)(sv->data.fl+i*1764), svm.get_support_vector(i), 1764*sizeof(float));
155. }
156.
157. double* alphaArr = svm.get_alpha();
158. int alphaCount = svm.get_alpha_count();
159.
160. for(int i=0; i<supportVectorSize; i++)
161. {
162. alp->data.fl[i] = alphaArr[i];
163. }
164. cvMatMul(alp, sv, re);
165.
166. int posCount = 0;
167. for (int i=0; i<1764; i++)
168. {
169. re->data.fl[i] *= -1;
170. }
171.
172. FILE* fp = fopen("c:/hogSVMDetector-peopleFlow.txt","wb");
173. if( NULL == fp )
174. {
175. return 1;
176. }
177. for(int i=0; i<1764; i++)
178. {
179. fprintf(fp,"%f \n",re->data.fl[i]);
180. }
181. float rho = svm.get_rho();
182. fprintf(fp, "%f", rho);
183. cout<<"c:/hogSVMDetector.txt 保存完毕"<<endl;//保存HOG能识别的分类器
184. fclose(fp);
185.
186. return 1;
187.}
class Mysvm: public CvSVM
{
public:
int get_alpha_count()
{
return this->sv_total;
}
int get_sv_dim()
{
return this->var_all;
}
int get_sv_count()
{
return this->decision_func->sv_count;
}
double* get_alpha()
{
return this->decision_func->alpha;
}
float** get_sv()
{
return this->sv;
}
float get_rho()
{
return this->decision_func->rho;
}
};
void Train()
{
char classifierSavePath[256] = "c:/pedestrianDetect-peopleFlow.txt";
string positivePath = "E:\\pictures\\train1\\pos\\";
string negativePath = "E:\\pictures\\train1\\neg\\";
int positiveSampleCount = 4900;
int negativeSampleCount = 6192;
int totalSampleCount = positiveSampleCount + negativeSampleCount;
cout<<"//////////////////////////////////////////////////////////////////"<<endl;
cout<<"totalSampleCount: "<<totalSampleCount<<endl;
cout<<"positiveSampleCount: "<<positiveSampleCount<<endl;
cout<<"negativeSampleCount: "<<negativeSampleCount<<endl;
CvMat *sampleFeaturesMat = cvCreateMat(totalSampleCount , 1764, CV_32FC1);
//64*128的训练样本，该矩阵将是totalSample*3780,64*64的训练样本，该矩阵将是totalSample*1764
cvSetZero(sampleFeaturesMat);
CvMat *sampleLabelMat = cvCreateMat(totalSampleCount, 1, CV_32FC1);//样本标识
cvSetZero(sampleLabelMat);
cout<<"************************************************************"<<endl;
cout<<"start to training positive samples..."<<endl;
char positiveImgName[256];
string path;
for(int i=0; i<positiveSampleCount; i++)
{
memset(positiveImgName, '\0', 256*sizeof(char));
sprintf(positiveImgName, "%d.jpg", i);
int len = strlen(positiveImgName);
string tempStr = positiveImgName;
path = positivePath + tempStr;
cv::Mat img = cv::imread(path);
if( img.data == NULL )
{
cout<<"positive image sample load error: "<<i<<" "<<path<<endl;
system("pause");
continue;
}
cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
vector<float> featureVec;
hog.compute(img, featureVec, cv::Size(8,8));
int featureVecSize = featureVec.size();
for (int j=0; j<featureVecSize; j++)
{
CV_MAT_ELEM( *sampleFeaturesMat, float, i, j ) = featureVec[j];
}
sampleLabelMat->data.fl[i] = 1;
}
cout<<"end of training for positive samples..."<<endl;
cout<<"*********************************************************"<<endl;
cout<<"start to train negative samples..."<<endl;
char negativeImgName[256];
for (int i=0; i<negativeSampleCount; i++)
{
memset(negativeImgName, '\0', 256*sizeof(char));
sprintf(negativeImgName, "%d.jpg", i);
path = negativePath + negativeImgName;
cv::Mat img = cv::imread(path);
if(img.data == NULL)
{
cout<<"negative image sample load error: "<<path<<endl;
continue;
}
cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
vector<float> featureVec;
hog.compute(img,featureVec,cv::Size(8,8));//计算HOG特征
int featureVecSize = featureVec.size();
for ( int j=0; j<featureVecSize; j ++)
{
CV_MAT_ELEM( *sampleFeaturesMat, float, i + positiveSampleCount, j ) = featureVec[ j ];
}
sampleLabelMat->data.fl[ i + positiveSampleCount ] = -1;
}
cout<<"end of training for negative samples..."<<endl;
cout<<"********************************************************"<<endl;
cout<<"start to train for SVM classifier..."<<endl;
CvSVMParams params;
params.svm_type = CvSVM::C_SVC;
params.kernel_type = CvSVM::LINEAR;
params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, FLT_EPSILON);
params.C = 0.01;
Mysvm svm;
svm.train( sampleFeaturesMat, sampleLabelMat, NULL, NULL, params ); //用SVM线性分类器训练
svm.save(classifierSavePath);
cvReleaseMat(&sampleFeaturesMat);
cvReleaseMat(&sampleLabelMat);
int supportVectorSize = svm.get_support_vector_count();
cout<<"support vector size of SVM："<<supportVectorSize<<endl;
cout<<"************************ end of training for SVM ******************"<<endl;
CvMat *sv,*alp,*re;//所有样本特征向量
sv = cvCreateMat(supportVectorSize , 1764, CV_32FC1);
alp = cvCreateMat(1 , supportVectorSize, CV_32FC1);
re = cvCreateMat(1 , 1764, CV_32FC1);
CvMat *res = cvCreateMat(1 , 1, CV_32FC1);
cvSetZero(sv);
cvSetZero(re);
for(int i=0; i<supportVectorSize; i++)
{
memcpy( (float*)(sv->data.fl+i*1764), svm.get_support_vector(i), 1764*sizeof(float));
}
double* alphaArr = svm.get_alpha();
int alphaCount = svm.get_alpha_count();
for(int i=0; i<supportVectorSize; i++)
{
alp->data.fl[i] = alphaArr[i];
}
cvMatMul(alp, sv, re);
int posCount = 0;
for (int i=0; i<1764; i++)
{
re->data.fl[i] *= -1;
}
FILE* fp = fopen("c:/hogSVMDetector-peopleFlow.txt","wb");
if( NULL == fp )
{
return 1;
}
for(int i=0; i<1764; i++)
{
fprintf(fp,"%f \n",re->data.fl[i]);
}
float rho = svm.get_rho();
fprintf(fp, "%f", rho);
cout<<"c:/hogSVMDetector.txt 保存完毕"<<endl;//保存HOG能识别的分类器
fclose(fp);
return 1;
}接着，再给出利用训练好的分类器进行行人检测的参考代码：
[cpp] view plaincopyprint?
01.void Detect()
02.{
03. CvCapture* cap = cvCreateFileCapture("E:\\02.avi");
04. if (!cap)
05. {
06. cout<<"avi file load error..."<<endl;
07. system("pause");
08. exit(-1);
09. }
10.
11. vector<float> x;
12. ifstream fileIn("c:/hogSVMDetector-peopleFlow.txt", ios::in);
13. float val = 0.0f;
14. while(!fileIn.eof())
15. {
16. fileIn>>val;
17. x.push_back(val);
18. }
19. fileIn.close();
20.
21. vector<cv::Rect> found;
22. cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
23. hog.setSVMDetector(x);
24.
25. IplImage* img = NULL;
26. cvNamedWindow("img", 0);
27. while(img=cvQueryFrame(cap))
28. {
29. hog.detectMultiScale(img, found, 0, cv::Size(8,8), cv::Size(32,32), 1.05, 2);
30. if (found.size() > 0)
31. {
32.
33. for (int i=0; i<found.size(); i++)
34. {
35. CvRect tempRect = cvRect(found[i].x, found[i].y, found[i].width, found[i].height);
36.
37. cvRectangle(img, cvPoint(tempRect.x,tempRect.y),
38. cvPoint(tempRect.x+tempRect.width,tempRect.y+tempRect.height),CV_RGB(255,0,0), 2);
39. }
40. }
41. }
42. cvReleaseCapture(&cap);
43.}
void Detect()
{
CvCapture* cap = cvCreateFileCapture("E:\\02.avi");
if (!cap)
{
cout<<"avi file load error..."<<endl;
system("pause");
exit(-1);
}
vector<float> x;
ifstream fileIn("c:/hogSVMDetector-peopleFlow.txt", ios::in);
float val = 0.0f;
while(!fileIn.eof())
{
fileIn>>val;
x.push_back(val);
}
fileIn.close();
vector<cv::Rect> found;
cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
hog.setSVMDetector(x);
IplImage* img = NULL;
cvNamedWindow("img", 0);
while(img=cvQueryFrame(cap))
{
hog.detectMultiScale(img, found, 0, cv::Size(8,8), cv::Size(32,32), 1.05, 2);
if (found.size() > 0)
{
for (int i=0; i<found.size(); i++)
{
CvRect tempRect = cvRect(found[i].x, found[i].y, found[i].width, found[i].height);
cvRectangle(img, cvPoint(tempRect.x,tempRect.y),
cvPoint(tempRect.x+tempRect.width,tempRect.y+tempRect.height),CV_RGB(255,0,0), 2);
}
}
}
cvReleaseCapture(&cap);
}
这里总结网上自己找到的资料，搞一个简单的框架供大家参考一下。
OpenCV官方的SVM代码在http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html
在http://blog.csdn.net/sangni007/article/details/7471222看到一段还不错的代码，结构清楚，虽然注释比较少，但很有参考价值，于是我添加了一些注释，看着更舒服。废话少说，直接上代码：
[cpp]
view plaincopyprint?
[cpp] view plaincopyprint
#include "cv.h"
#include "highgui.h"
#include "stdafx.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( "E:/SVM_DATA.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;
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
//开始搞HOG特征
for( string::size_type i = 0; i != img_path.size(); i++ )
{
src=cvLoadImage(img_path[i].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
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
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;
//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] );
cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
}
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" );
//检测样本
IplImage *test;
vector<string> img_tst_path;
ifstream img_tst( "E:/SVM_TEST.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
char line[512];
ofstream predict_txt( "SVM_PREDICT.txt" );//把预测结果存储在这个文本中
for( string::size_type j = 0; j != img_tst_path.size(); j++ )//依次遍历所有的待检测图片
{
test = cvLoadImage( img_tst_path[j].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
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
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;
CvMat* 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.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 );
predict_txt<<line;
}
predict_txt.close();
//cvReleaseImage( &src);
//cvReleaseImage( &sampleImg );
//cvReleaseImage( &tst );
//cvReleaseImage( &tst_tmp );
cvReleaseMat( &data_mat );
cvReleaseMat( &res_mat );
return 0;
}
其中，关于HOG函数HOGDescriptor，见博客http://blog.csdn.net/raocong2010/article/details/6239431
另外，自己需要把这个程序嵌入到另外一个工程中去，因为那里数据类型是Mat，不是cvMat，所以我又修改了上面的程序，并且图片大小也不是固定的64*64，需要自己设置一下图片大小，因为太懒，直接把改好的程序放过来：
[cpp]
view plaincopyprint?
#include "stdafx.h"
#include "cv.h"
#include "highgui.h"
#include "stdafx.h"
#include <ml.h>
#include <iostream>
#include <fstream>
#include <string>
#include <vector>
using namespace cv;
using namespace std;
int main(int argc,char** argv)
{
int ImgWidht = 120;
int ImgHeight = 120;
vector<string> img_path;
vector<int> img_catg;
int nLine = 0;
string buf;
ifstream svm_data( "E:/apple/SVM_DATA.txt" );
unsigned long n;
while( svm_data )
{
if( getline( svm_data, buf ) )
{
nLine ++;
if( nLine < 5 )
{
img_catg.push_back(1);
img_path.push_back( buf );//图像路径
}
else
{
img_catg.push_back(0);
img_path.push_back( buf );//图像路径
}
}
}
svm_data.close();//关闭文件
Mat data_mat, res_mat;
int nImgNum = nLine; //读入样本数量
////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 = Mat::zeros( nImgNum, 12996, CV_32FC1 );
//类型矩阵,存储每个样本的类型标志
res_mat = Mat::zeros( nImgNum, 1, CV_32FC1 );
Mat src;
Mat trainImg = Mat::zeros(ImgHeight, ImgWidht, CV_8UC3);//需要分析的图片
for( string::size_type i = 0; i != img_path.size(); i++ )
{
src = imread(img_path[i].c_str(), 1);
cout<<" processing "<<img_path[i].c_str()<<endl;
resize(src, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC);
HOGDescriptor *hog=new HOGDescriptor(cvSize(ImgWidht,ImgHeight),cvSize(16,16),cvSize(8,8),cvSize(8,8), 9);//具体意思见参考文章1,2
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
if (i==0)
{
data_mat = Mat::zeros( nImgNum, descriptors.size(), CV_32FC1 );
//根据输入图片大小进行分配空间
}
cout<<"HOG dims: "<<descriptors.size()<<endl;
n=0;
for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
{
data_mat.at<float>(i,n) = *iter;
n++;
}
//cout<<SVMtrainMat->rows<<endl;
res_mat.at<float>(i, 0) = img_catg[i];
cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
}
CvSVM svm = CvSVM();
CvSVMParams param;
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, Mat(), Mat(), param );
//☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆
svm.save( "E:/apple/SVM_DATA.xml" );
//检测样本
vector<string> img_tst_path;
ifstream img_tst( "E:/apple/SVM_TEST.txt" );
while( img_tst )
{
if( getline( img_tst, buf ) )
{
img_tst_path.push_back( buf );
}
}
img_tst.close();
Mat test;
char line[512];
ofstream predict_txt( "E:/apple/SVM_PREDICT.txt" );
for( string::size_type j = 0; j != img_tst_path.size(); j++ )
{
test = imread( img_tst_path[j].c_str(), 1);//读入图像
resize(test, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC);//要搞成同样的大小才可以检测到
HOGDescriptor *hog=new HOGDescriptor(cvSize(ImgWidht,ImgHeight),cvSize(16,16),cvSize(8,8),cvSize(8,8),9);//具体意思见参考文章1,2
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<<"The Detection Result:"<<endl;
cout<<"HOG dims: "<<descriptors.size()<<endl;
Mat SVMtrainMat = Mat::zeros(1,descriptors.size(),CV_32FC1);
n=0;
for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
{
SVMtrainMat.at<float>(0,n) = *iter;
n++;
}
int ret = svm.predict(SVMtrainMat);
std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret );
printf("%s %d\r\n", img_tst_path[j].c_str(), ret);
getchar();
predict_txt<<line;
}
predict_txt.close();
return 0;
}
就到这里吧，再整理一下思路。
如果运行的时候出现Link错误，有可能是没有附加依赖项，要添加opencv_objdetect230d.lib，我的OpenCV是2.3版本，所以这里是230.
挑一个小毛病：
for( string::size_type i = 0; i != img_path.size(); i++ )
string的size_type是用来确定是字符串的第几个字符的。
应该改为：
for( vector<string>::size_type i = 0; i != img_path.size(); i++ )
vector<string>的才是用来判断是vector的第几个元素的。
9楼 zh12628599952012-10-25 18:03发表[回复][引用][举报]
楼主，可不可给一个txt模板，TXT文本截图
Re: 司令2012-11-09 12:52发表[回复][引用][举报]
回复zh1262859995：txt中就是 d:\img\1.jpg
这样的东西，用六楼的方法可以得到文件列表
8楼 XiangFeiDeXiong2012-08-28 10:28发表[回复][引用][举报]
CvSVMParams params;
127. params.svm_type = CvSVM::C_SVC;
128. params.kernel_type = CvSVM::LINEAR;
我在做分类的时候用的这个，但是出现： error C2653: “CvSVM”: 不是类或命名空间名称
还请楼主赐教！
Re: 司令2012-08-29 09:50发表[回复][引用][举报]
回复XiangFeiDeXiong：CvSVM的头文件是ml.h，你要确认你包含了这个文件，你也可以再OpenCV里找到这个文件，我找了一下，看到里面确实有定义这个class，我用的OpenCV版本是2.3.1，另外，确认你有using namespace cv
7楼 XiangFeiDeXiong2012-08-28 10:26发表[回复][引用][举报]
请问 CvSVM svm = CvSVM();
CvSVM是从哪里来的？也没瞧你包含相关头文件
6楼 xufeng1505832012-08-24 19:53发表[回复][引用][举报]
请问一下楼主，您注释中说的通过批处理bat可以得到txt文档时如何得到的？
Re: 司令2012-08-24 21:40发表[回复][引用][举报]
回复xufeng150583：新建一个txt文档，输入
dir /b/s/p/w *.jpg>train_list.txt
@pause
将文件后缀改为bat
5楼 yybing2012-08-16 16:27发表[回复][引用][举报]
样本是怎么取的呢？要是检测人的时候，主把一个人的全身像扣下来？
Re: 司令2012-08-20 15:55发表[回复][引用][举报]
回复yybing：......样本看你自己取的了，你训练了什么样子的样本，那么测试的时候就只能测试哪个样的。例如，如果你把人抠出来做样本训练，那么当你检测的时候你也必须要先把人从背景中抠出来然后再扔进去做检测。把人从背景中抠出来可以排除背景的干扰，但是抠得不准确反而适得其反。
Re: yybing2012-08-24 09:10发表[回复][引用][举报]
回复yongshengsilingsa：和背景一块儿训练背景变了不是就也检测不出来了？
Re: 司令2012-08-24 10:30发表[回复][引用][举报]
回复yybing：对啊，如果你的训练样本中有没有把背景剔除掉，做检测的时候换了背景会有影响的，至于最终会有多大的影响就不好说了，如果你的训练样本够大，也许可以抵消掉这种影响。我现在做的东西就是觉得去背景太困难了，就连同背景一起训练了，最终效果也还好。
Re: yybing2012-08-24 16:52发表[回复][引用][举报]
回复yongshengsilingsa：你用了GPU了吧？分辨率是多大的，这东东检测的时候速度太慢了吧，如果只用CPU。
Re: 司令2012-08-24 16:56发表[回复][引用][举报]
回复yybing：从来没有用过GPU加速这种东西，也不用上，提取纹理的时候也许用的上。分辨率很低，图片最终大小差不多50*50
4楼 liuqingjiea2012-08-08 19:51发表[回复][引用][举报]
想知道你训练得到的分类器有多大，能上百兆么，2千张样本的话。
Re: 司令2012-08-12 15:04发表[回复][引用][举报]
回复liuqingjiea：如果正负总共两千样本的话，特征数目我用的是672，应该也就是最多几十兆吧，不会超过50M的，我目前用的正负样本总共有十万，特征向量维数是672，也就是160M
3楼 追风筝的猪2012-07-10 13:21发表[回复][引用][举报]
请教下 程序到 svm.train( data_mat, res_mat, Mat(), Mat(), param ); 就会跳出error：OpenCV Error:Bad arguments： <There is only a single class> in cvPreprocessCategoricalResponse,file..\..\..\src\opencv\modules\ml\src\inner_functions.cpp,line 729
是形参啥的传递错误还是怎样 请教下谢了~
Re: 司令2012-07-16 14:06发表[回复][引用][举报]
回复lupnfer：这个，我也没法判断你的这个问题所在，应该是参数传统有问题，你点继续运行，看看调用堆栈哪里出错了。
Re: 追风筝的猪2012-07-17 14:38发表[回复][引用][举报]
回复yongshengsilingsa：这个 已经解决了 就是图像类型的分类 必须是两种图像的 虽然我不是很懂为啥 但分成多个图像就 OK了
Re: zh12628599952012-10-26 14:27发表[回复][引用][举报]
回复lupnfer：图像类型的分类 必须是两种图像的，是什么意思？
2楼 loadstar_kun2012-07-09 16:54发表[回复][引用][举报]
其实这个算是分类，不算检测
Re: 司令2012-07-16 14:05发表[回复][引用][举报]
回复loadstar_kun：对，算是分类的，简单的二分类。
1楼 k504030702012-05-06 18:02发表[回复][引用][举报]
請問一下，你程序裡的E:/SVM_DATA.txt這裡面是放正樣本還是負樣本呢？
Re: 司令2012-05-06 20:19发表[回复][引用][举报]
回复k50403070：正负样本都有，他的这个程序里的意思就是在这个txt文本中一行是图片文件名，接着下一行就是这个图片的类别。例如，第一行是一个图片文件名，然后接着的第二行就是表示一下这个图片属于哪一类，可以设定为0或者1，然后第三行又是图片文件名，然后第四行表示第三行的图片类别，0或者1。你可以规定类别1是正样本，0是负样本，最后测试一张图片，程序会告诉你这个图片属于1还是0。
在2005年CVPR上，来自法国的研究人员Navneet Dalal 和Bill Triggs提出利用Hog进行特征提取，利用线性SVM作为分类器，从而实现行人检测。而这两位也通过大量的测试发现，Hog+SVM是速度和效果综合平衡性能较好的一种行人检测方法。后来，虽然很多研究人员也提出了很多改进的行人检测算法，但基本都以该算法为基础框架。因此，Hog+SVM也成为一个里程表式的算法被写入到OpenCV中。在OpenCV2.0之后的版本，都有Hog特征描述算子的API，而至于SVM，早在OpenCV1.0版本就已经集成进去了；OpenCV虽然提供了Hog和SVM的API，也提供了行人检测的sample，遗憾的是，OpenCV并没有提供样本训练的sample。这也就意味着，很多人只能用OpenCV自带的已经训练好的分类器来进行行人检测。然而，OpenCV自带的分类器是利用Navneet
Dalal和Bill Triggs提供的样本进行训练的，不见得能适用于你的应用场合。因此，针对你的特定应用场景，很有必要进行重新训练得到适合你的分类器。本文的目的，正在于此。
重新训练行人检测的流程：
（1）准备训练样本集合；包括正样本集和负样本集；根据机器学习的基础知识我们知道，要利用机器学习算法进行样本训练，从而得到一个性能优良的分类器，训练样本应该是无限多的，而且训练样本应该覆盖实际应用过程中可能发生的各种情况。（很多朋友，用10来个正样本，10来个负样本进行训练，之后，就进行测试，发现效果没有想象中的那么好，就开始发牢骚，抱怨。。。对于这些人，我只能抱歉的说，对于机器学习、模式识别的认识，你还处于没有入门的阶段）；实际应用过程中，训练样本不可能无限多，但无论如何，三五千个正样本，三五千个负样本，应该不是什么难事吧？（如果连这个都做不到，建议你别搞机器学习，模式识别了；训练素材都没有，怎么让机器学习到足够的信息呢？）
（2）收集到足够的训练样本之后，你需要手动裁剪样本。例如，你想用Hog+SVM来对商业步行街的监控画面中进行行人检测，那么，你就应该用收集到的训练样本集合，手动裁剪画面中的行人（可以写个简单程序，只需要鼠标框选一下，就将框选区域保存下来）。
（3）裁剪得到训练样本之后，将所有正样本放在一个文件夹中；将所有负样本放在另一个文件夹中；并将所有训练样本缩放到同样的尺寸大小。OpenCV自带的例子在训练时，就是将样本缩放为64*128进行训练的；
（4）提取所有正样本的Hog特征；
（5）提取所有负样本的Hog特征；
（6）对所有正负样本赋予样本标签；例如，所有正样本标记为1，所有负样本标记为0；
（7）将正负样本的Hog特征，正负样本的标签，都输入到SVM中进行训练；Dalal在论文中考虑到速度问题，建议采用线性SVM进行训练。这里，不妨也采用线性SVM；
（8）SVM训练之后，将结果保存为文本文件。
（9）线性SVM进行训练之后得到的文本文件里面，有一个数组，叫做support vector，还有一个数组，叫做alpha,有一个浮点数，叫做rho;将alpha矩阵同support vector相乘，注意，alpha*supportVector,将得到一个列向量。之后，再该列向量的最后添加一个元素rho。如此，变得到了一个分类器，利用该分类器，直接替换opencv中行人检测默认的那个分类器（cv::HOGDescriptor::setSVMDetector()），就可以利用你的训练样本训练出来的分类器进行行人检测了。
下面给出样本训练的参考代码：
[cpp] view plaincopyprint?
01.class Mysvm: public CvSVM
02.{
03.public:
04. int get_alpha_count()
05. {
06. return this->sv_total;
07. }
08.
09. int get_sv_dim()
10. {
11. return this->var_all;
12. }
13.
14. int get_sv_count()
15. {
16. return this->decision_func->sv_count;
17. }
18.
19. double* get_alpha()
20. {
21. return this->decision_func->alpha;
22. }
23.
24. float** get_sv()
25. {
26. return this->sv;
27. }
28.
29. float get_rho()
30. {
31. return this->decision_func->rho;
32. }
33.};
34.
35.void Train()
36.{
37. char classifierSavePath[256] = "c:/pedestrianDetect-peopleFlow.txt";
38.
39. string positivePath = "E:\\pictures\\train1\\pos\\";
40. string negativePath = "E:\\pictures\\train1\\neg\\";
41.
42. int positiveSampleCount = 4900;
43. int negativeSampleCount = 6192;
44. int totalSampleCount = positiveSampleCount + negativeSampleCount;
45.
46. cout<<"//////////////////////////////////////////////////////////////////"<<endl;
47. cout<<"totalSampleCount: "<<totalSampleCount<<endl;
48. cout<<"positiveSampleCount: "<<positiveSampleCount<<endl;
49. cout<<"negativeSampleCount: "<<negativeSampleCount<<endl;
50.
51. CvMat *sampleFeaturesMat = cvCreateMat(totalSampleCount , 1764, CV_32FC1);
52. //64*128的训练样本，该矩阵将是totalSample*3780,64*64的训练样本，该矩阵将是totalSample*1764
53. cvSetZero(sampleFeaturesMat);
54. CvMat *sampleLabelMat = cvCreateMat(totalSampleCount, 1, CV_32FC1);//样本标识
55. cvSetZero(sampleLabelMat);
56.
57. cout<<"************************************************************"<<endl;
58. cout<<"start to training positive samples..."<<endl;
59.
60. char positiveImgName[256];
61. string path;
62. for(int i=0; i<positiveSampleCount; i++)
63. {
64. memset(positiveImgName, '\0', 256*sizeof(char));
65. sprintf(positiveImgName, "%d.jpg", i);
66. int len = strlen(positiveImgName);
67. string tempStr = positiveImgName;
68. path = positivePath + tempStr;
69.
70. cv::Mat img = cv::imread(path);
71. if( img.data == NULL )
72. {
73. cout<<"positive image sample load error: "<<i<<" "<<path<<endl;
74. system("pause");
75. continue;
76. }
77.
78. cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
79. vector<float> featureVec;
80.
81. hog.compute(img, featureVec, cv::Size(8,8));
82. int featureVecSize = featureVec.size();
83.
84. for (int j=0; j<featureVecSize; j++)
85. {
86. CV_MAT_ELEM( *sampleFeaturesMat, float, i, j ) = featureVec[j];
87. }
88. sampleLabelMat->data.fl[i] = 1;
89. }
90. cout<<"end of training for positive samples..."<<endl;
91.
92. cout<<"*********************************************************"<<endl;
93. cout<<"start to train negative samples..."<<endl;
94.
95. char negativeImgName[256];
96. for (int i=0; i<negativeSampleCount; i++)
97. {
98. memset(negativeImgName, '\0', 256*sizeof(char));
99. sprintf(negativeImgName, "%d.jpg", i);
100. path = negativePath + negativeImgName;
101. cv::Mat img = cv::imread(path);
102. if(img.data == NULL)
103. {
104. cout<<"negative image sample load error: "<<path<<endl;
105. continue;
106. }
107.
108. cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
109. vector<float> featureVec;
110.
111. hog.compute(img,featureVec,cv::Size(8,8));//计算HOG特征
112. int featureVecSize = featureVec.size();
113.
114. for ( int j=0; j<featureVecSize; j ++)
115. {
116. CV_MAT_ELEM( *sampleFeaturesMat, float, i + positiveSampleCount, j ) = featureVec[ j ];
117. }
118.
119. sampleLabelMat->data.fl[ i + positiveSampleCount ] = -1;
120. }
121.
122. cout<<"end of training for negative samples..."<<endl;
123. cout<<"********************************************************"<<endl;
124. cout<<"start to train for SVM classifier..."<<endl;
125.
126. CvSVMParams params;
127. params.svm_type = CvSVM::C_SVC;
128. params.kernel_type = CvSVM::LINEAR;
129. params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, FLT_EPSILON);
130. params.C = 0.01;
131.
132. Mysvm svm;
133. svm.train( sampleFeaturesMat, sampleLabelMat, NULL, NULL, params ); //用SVM线性分类器训练
134. svm.save(classifierSavePath);
135.
136. cvReleaseMat(&sampleFeaturesMat);
137. cvReleaseMat(&sampleLabelMat);
138.
139. int supportVectorSize = svm.get_support_vector_count();
140. cout<<"support vector size of SVM："<<supportVectorSize<<endl;
141. cout<<"************************ end of training for SVM ******************"<<endl;
142.
143. CvMat *sv,*alp,*re;//所有样本特征向量
144. sv = cvCreateMat(supportVectorSize , 1764, CV_32FC1);
145. alp = cvCreateMat(1 , supportVectorSize, CV_32FC1);
146. re = cvCreateMat(1 , 1764, CV_32FC1);
147. CvMat *res = cvCreateMat(1 , 1, CV_32FC1);
148.
149. cvSetZero(sv);
150. cvSetZero(re);
151.
152. for(int i=0; i<supportVectorSize; i++)
153. {
154. memcpy( (float*)(sv->data.fl+i*1764), svm.get_support_vector(i), 1764*sizeof(float));
155. }
156.
157. double* alphaArr = svm.get_alpha();
158. int alphaCount = svm.get_alpha_count();
159.
160. for(int i=0; i<supportVectorSize; i++)
161. {
162. alp->data.fl[i] = alphaArr[i];
163. }
164. cvMatMul(alp, sv, re);
165.
166. int posCount = 0;
167. for (int i=0; i<1764; i++)
168. {
169. re->data.fl[i] *= -1;
170. }
171.
172. FILE* fp = fopen("c:/hogSVMDetector-peopleFlow.txt","wb");
173. if( NULL == fp )
174. {
175. return 1;
176. }
177. for(int i=0; i<1764; i++)
178. {
179. fprintf(fp,"%f \n",re->data.fl[i]);
180. }
181. float rho = svm.get_rho();
182. fprintf(fp, "%f", rho);
183. cout<<"c:/hogSVMDetector.txt 保存完毕"<<endl;//保存HOG能识别的分类器
184. fclose(fp);
185.
186. return 1;
187.}
class Mysvm: public CvSVM
{
public:
int get_alpha_count()
{
return this->sv_total;
}
int get_sv_dim()
{
return this->var_all;
}
int get_sv_count()
{
return this->decision_func->sv_count;
}
double* get_alpha()
{
return this->decision_func->alpha;
}
float** get_sv()
{
return this->sv;
}
float get_rho()
{
return this->decision_func->rho;
}
};
void Train()
{
char classifierSavePath[256] = "c:/pedestrianDetect-peopleFlow.txt";
string positivePath = "E:\\pictures\\train1\\pos\\";
string negativePath = "E:\\pictures\\train1\\neg\\";
int positiveSampleCount = 4900;
int negativeSampleCount = 6192;
int totalSampleCount = positiveSampleCount + negativeSampleCount;
cout<<"//////////////////////////////////////////////////////////////////"<<endl;
cout<<"totalSampleCount: "<<totalSampleCount<<endl;
cout<<"positiveSampleCount: "<<positiveSampleCount<<endl;
cout<<"negativeSampleCount: "<<negativeSampleCount<<endl;
CvMat *sampleFeaturesMat = cvCreateMat(totalSampleCount , 1764, CV_32FC1);
//64*128的训练样本，该矩阵将是totalSample*3780,64*64的训练样本，该矩阵将是totalSample*1764
cvSetZero(sampleFeaturesMat);
CvMat *sampleLabelMat = cvCreateMat(totalSampleCount, 1, CV_32FC1);//样本标识
cvSetZero(sampleLabelMat);
cout<<"************************************************************"<<endl;
cout<<"start to training positive samples..."<<endl;
char positiveImgName[256];
string path;
for(int i=0; i<positiveSampleCount; i++)
{
memset(positiveImgName, '\0', 256*sizeof(char));
sprintf(positiveImgName, "%d.jpg", i);
int len = strlen(positiveImgName);
string tempStr = positiveImgName;
path = positivePath + tempStr;
cv::Mat img = cv::imread(path);
if( img.data == NULL )
{
cout<<"positive image sample load error: "<<i<<" "<<path<<endl;
system("pause");
continue;
}
cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
vector<float> featureVec;
hog.compute(img, featureVec, cv::Size(8,8));
int featureVecSize = featureVec.size();
for (int j=0; j<featureVecSize; j++)
{
CV_MAT_ELEM( *sampleFeaturesMat, float, i, j ) = featureVec[j];
}
sampleLabelMat->data.fl[i] = 1;
}
cout<<"end of training for positive samples..."<<endl;
cout<<"*********************************************************"<<endl;
cout<<"start to train negative samples..."<<endl;
char negativeImgName[256];
for (int i=0; i<negativeSampleCount; i++)
{
memset(negativeImgName, '\0', 256*sizeof(char));
sprintf(negativeImgName, "%d.jpg", i);
path = negativePath + negativeImgName;
cv::Mat img = cv::imread(path);
if(img.data == NULL)
{
cout<<"negative image sample load error: "<<path<<endl;
continue;
}
cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
vector<float> featureVec;
hog.compute(img,featureVec,cv::Size(8,8));//计算HOG特征
int featureVecSize = featureVec.size();
for ( int j=0; j<featureVecSize; j ++)
{
CV_MAT_ELEM( *sampleFeaturesMat, float, i + positiveSampleCount, j ) = featureVec[ j ];
}
sampleLabelMat->data.fl[ i + positiveSampleCount ] = -1;
}
cout<<"end of training for negative samples..."<<endl;
cout<<"********************************************************"<<endl;
cout<<"start to train for SVM classifier..."<<endl;
CvSVMParams params;
params.svm_type = CvSVM::C_SVC;
params.kernel_type = CvSVM::LINEAR;
params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, FLT_EPSILON);
params.C = 0.01;
Mysvm svm;
svm.train( sampleFeaturesMat, sampleLabelMat, NULL, NULL, params ); //用SVM线性分类器训练
svm.save(classifierSavePath);
cvReleaseMat(&sampleFeaturesMat);
cvReleaseMat(&sampleLabelMat);
int supportVectorSize = svm.get_support_vector_count();
cout<<"support vector size of SVM："<<supportVectorSize<<endl;
cout<<"************************ end of training for SVM ******************"<<endl;
CvMat *sv,*alp,*re;//所有样本特征向量
sv = cvCreateMat(supportVectorSize , 1764, CV_32FC1);
alp = cvCreateMat(1 , supportVectorSize, CV_32FC1);
re = cvCreateMat(1 , 1764, CV_32FC1);
CvMat *res = cvCreateMat(1 , 1, CV_32FC1);
cvSetZero(sv);
cvSetZero(re);
for(int i=0; i<supportVectorSize; i++)
{
memcpy( (float*)(sv->data.fl+i*1764), svm.get_support_vector(i), 1764*sizeof(float));
}
double* alphaArr = svm.get_alpha();
int alphaCount = svm.get_alpha_count();
for(int i=0; i<supportVectorSize; i++)
{
alp->data.fl[i] = alphaArr[i];
}
cvMatMul(alp, sv, re);
int posCount = 0;
for (int i=0; i<1764; i++)
{
re->data.fl[i] *= -1;
}
FILE* fp = fopen("c:/hogSVMDetector-peopleFlow.txt","wb");
if( NULL == fp )
{
return 1;
}
for(int i=0; i<1764; i++)
{
fprintf(fp,"%f \n",re->data.fl[i]);
}
float rho = svm.get_rho();
fprintf(fp, "%f", rho);
cout<<"c:/hogSVMDetector.txt 保存完毕"<<endl;//保存HOG能识别的分类器
fclose(fp);
return 1;
}接着，再给出利用训练好的分类器进行行人检测的参考代码：
[cpp] view plaincopyprint?
01.void Detect()
02.{
03. CvCapture* cap = cvCreateFileCapture("E:\\02.avi");
04. if (!cap)
05. {
06. cout<<"avi file load error..."<<endl;
07. system("pause");
08. exit(-1);
09. }
10.
11. vector<float> x;
12. ifstream fileIn("c:/hogSVMDetector-peopleFlow.txt", ios::in);
13. float val = 0.0f;
14. while(!fileIn.eof())
15. {
16. fileIn>>val;
17. x.push_back(val);
18. }
19. fileIn.close();
20.
21. vector<cv::Rect> found;
22. cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
23. hog.setSVMDetector(x);
24.
25. IplImage* img = NULL;
26. cvNamedWindow("img", 0);
27. while(img=cvQueryFrame(cap))
28. {
29. hog.detectMultiScale(img, found, 0, cv::Size(8,8), cv::Size(32,32), 1.05, 2);
30. if (found.size() > 0)
31. {
32.
33. for (int i=0; i<found.size(); i++)
34. {
35. CvRect tempRect = cvRect(found[i].x, found[i].y, found[i].width, found[i].height);
36.
37. cvRectangle(img, cvPoint(tempRect.x,tempRect.y),
38. cvPoint(tempRect.x+tempRect.width,tempRect.y+tempRect.height),CV_RGB(255,0,0), 2);
39. }
40. }
41. }
42. cvReleaseCapture(&cap);
43.}
void Detect()
{
CvCapture* cap = cvCreateFileCapture("E:\\02.avi");
if (!cap)
{
cout<<"avi file load error..."<<endl;
system("pause");
exit(-1);
}
vector<float> x;
ifstream fileIn("c:/hogSVMDetector-peopleFlow.txt", ios::in);
float val = 0.0f;
while(!fileIn.eof())
{
fileIn>>val;
x.push_back(val);
}
fileIn.close();
vector<cv::Rect> found;
cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);
hog.setSVMDetector(x);
IplImage* img = NULL;
cvNamedWindow("img", 0);
while(img=cvQueryFrame(cap))
{
hog.detectMultiScale(img, found, 0, cv::Size(8,8), cv::Size(32,32), 1.05, 2);
if (found.size() > 0)
{
for (int i=0; i<found.size(); i++)
{
CvRect tempRect = cvRect(found[i].x, found[i].y, found[i].width, found[i].height);
cvRectangle(img, cvPoint(tempRect.x,tempRect.y),
cvPoint(tempRect.x+tempRect.width,tempRect.y+tempRect.height),CV_RGB(255,0,0), 2);
}
}
}
cvReleaseCapture(&cap);
}
这里总结网上自己找到的资料，搞一个简单的框架供大家参考一下。
OpenCV官方的SVM代码在http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html
在http://blog.csdn.net/sangni007/article/details/7471222看到一段还不错的代码，结构清楚，虽然注释比较少，但很有参考价值，于是我添加了一些注释，看着更舒服。废话少说，直接上代码：
[cpp]
view plaincopyprint?
[cpp] view plaincopyprint
#include "cv.h"
#include "highgui.h"
#include "stdafx.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( "E:/SVM_DATA.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;
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
//开始搞HOG特征
for( string::size_type i = 0; i != img_path.size(); i++ )
{
src=cvLoadImage(img_path[i].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
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
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;
//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] );
cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
}
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" );
//检测样本
IplImage *test;
vector<string> img_tst_path;
ifstream img_tst( "E:/SVM_TEST.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
char line[512];
ofstream predict_txt( "SVM_PREDICT.txt" );//把预测结果存储在这个文本中
for( string::size_type j = 0; j != img_tst_path.size(); j++ )//依次遍历所有的待检测图片
{
test = cvLoadImage( img_tst_path[j].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
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
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;
CvMat* 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.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 );
predict_txt<<line;
}
predict_txt.close();
//cvReleaseImage( &src);
//cvReleaseImage( &sampleImg );
//cvReleaseImage( &tst );
//cvReleaseImage( &tst_tmp );
cvReleaseMat( &data_mat );
cvReleaseMat( &res_mat );
return 0;
}
[cpp] view plaincopyprint
#include "cv.h"
#include "highgui.h"
#include "stdafx.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( "E:/SVM_DATA.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;
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
//开始搞HOG特征
for( string::size_type i = 0; i != img_path.size(); i++ )
{
src=cvLoadImage(img_path[i].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
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
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;
//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] );
cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
}
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" );
//检测样本
IplImage *test;
vector<string> img_tst_path;
ifstream img_tst( "E:/SVM_TEST.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
char line[512];
ofstream predict_txt( "SVM_PREDICT.txt" );//把预测结果存储在这个文本中
for( string::size_type j = 0; j != img_tst_path.size(); j++ )//依次遍历所有的待检测图片
{
test = cvLoadImage( img_tst_path[j].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
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
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;
CvMat* 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.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 );
predict_txt<<line;
}
predict_txt.close();
//cvReleaseImage( &src);
//cvReleaseImage( &sampleImg );
//cvReleaseImage( &tst );
//cvReleaseImage( &tst_tmp );
cvReleaseMat( &data_mat );
cvReleaseMat( &res_mat );
return 0;
}其中，关于HOG函数HOGDescriptor，见博客http://blog.csdn.net/raocong2010/article/details/6239431
另外，自己需要把这个程序嵌入到另外一个工程中去，因为那里数据类型是Mat，不是cvMat，所以我又修改了上面的程序，并且图片大小也不是固定的64*64，需要自己设置一下图片大小，因为太懒，直接把改好的程序放过来：
[cpp]
view plaincopyprint?
#include "stdafx.h"
#include "cv.h"
#include "highgui.h"
#include "stdafx.h"
#include <ml.h>
#include <iostream>
#include <fstream>
#include <string>
#include <vector>
using namespace cv;
using namespace std;
int main(int argc,char** argv)
{
int ImgWidht = 120;
int ImgHeight = 120;
vector<string> img_path;
vector<int> img_catg;
int nLine = 0;
string buf;
ifstream svm_data( "E:/apple/SVM_DATA.txt" );
unsigned long n;
while( svm_data )
{
if( getline( svm_data, buf ) )
{
nLine ++;
if( nLine < 5 )
{
img_catg.push_back(1);
img_path.push_back( buf );//图像路径
}
else
{
img_catg.push_back(0);
img_path.push_back( buf );//图像路径
}
}
}
svm_data.close();//关闭文件
Mat data_mat, res_mat;
int nImgNum = nLine; //读入样本数量
////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 = Mat::zeros( nImgNum, 12996, CV_32FC1 );
//类型矩阵,存储每个样本的类型标志
res_mat = Mat::zeros( nImgNum, 1, CV_32FC1 );
Mat src;
Mat trainImg = Mat::zeros(ImgHeight, ImgWidht, CV_8UC3);//需要分析的图片
for( string::size_type i = 0; i != img_path.size(); i++ )
{
src = imread(img_path[i].c_str(), 1);
cout<<" processing "<<img_path[i].c_str()<<endl;
resize(src, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC);
HOGDescriptor *hog=new HOGDescriptor(cvSize(ImgWidht,ImgHeight),cvSize(16,16),cvSize(8,8),cvSize(8,8), 9);//具体意思见参考文章1,2
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
if (i==0)
{
data_mat = Mat::zeros( nImgNum, descriptors.size(), CV_32FC1 );
//根据输入图片大小进行分配空间
}
cout<<"HOG dims: "<<descriptors.size()<<endl;
n=0;
for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
{
data_mat.at<float>(i,n) = *iter;
n++;
}
//cout<<SVMtrainMat->rows<<endl;
res_mat.at<float>(i, 0) = img_catg[i];
cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
}
CvSVM svm = CvSVM();
CvSVMParams param;
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, Mat(), Mat(), param );
//☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆
svm.save( "E:/apple/SVM_DATA.xml" );
//检测样本
vector<string> img_tst_path;
ifstream img_tst( "E:/apple/SVM_TEST.txt" );
while( img_tst )
{
if( getline( img_tst, buf ) )
{
img_tst_path.push_back( buf );
}
}
img_tst.close();
Mat test;
char line[512];
ofstream predict_txt( "E:/apple/SVM_PREDICT.txt" );
for( string::size_type j = 0; j != img_tst_path.size(); j++ )
{
test = imread( img_tst_path[j].c_str(), 1);//读入图像
resize(test, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC);//要搞成同样的大小才可以检测到
HOGDescriptor *hog=new HOGDescriptor(cvSize(ImgWidht,ImgHeight),cvSize(16,16),cvSize(8,8),cvSize(8,8),9);//具体意思见参考文章1,2
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<<"The Detection Result:"<<endl;
cout<<"HOG dims: "<<descriptors.size()<<endl;
Mat SVMtrainMat = Mat::zeros(1,descriptors.size(),CV_32FC1);
n=0;
for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
{
SVMtrainMat.at<float>(0,n) = *iter;
n++;
}
int ret = svm.predict(SVMtrainMat);
std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret );
printf("%s %d\r\n", img_tst_path[j].c_str(), ret);
getchar();
predict_txt<<line;
}
predict_txt.close();
return 0;
}
#include "stdafx.h"
#include "cv.h"
#include "highgui.h"
#include "stdafx.h"
#include <ml.h>
#include <iostream>
#include <fstream>
#include <string>
#include <vector>
using namespace cv;
using namespace std;
int main(int argc, char** argv)
{
int ImgWidht = 120;
int ImgHeight = 120;
vector<string> img_path;
vector<int> img_catg;
int nLine = 0;
string buf;
ifstream svm_data( "E:/apple/SVM_DATA.txt" );
unsigned long n;
while( svm_data )
{
if( getline( svm_data, buf ) )
{
nLine ++;
if( nLine < 5 )
{
img_catg.push_back(1);
img_path.push_back( buf );//图像路径
}
else
{
img_catg.push_back(0);
img_path.push_back( buf );//图像路径
}
}
}
svm_data.close();//关闭文件
Mat data_mat, res_mat;
int nImgNum = nLine; //读入样本数量
////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 = Mat::zeros( nImgNum, 12996, CV_32FC1 );
//类型矩阵,存储每个样本的类型标志
res_mat = Mat::zeros( nImgNum, 1, CV_32FC1 );
Mat src;
Mat trainImg = Mat::zeros(ImgHeight, ImgWidht, CV_8UC3);//需要分析的图片
for( string::size_type i = 0; i != img_path.size(); i++ )
{
src = imread(img_path[i].c_str(), 1);
cout<<" processing "<<img_path[i].c_str()<<endl;
resize(src, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC);
HOGDescriptor *hog=new HOGDescriptor(cvSize(ImgWidht,ImgHeight),cvSize(16,16),cvSize(8,8),cvSize(8,8), 9); //具体意思见参考文章1,2
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
if (i==0)
{
data_mat = Mat::zeros( nImgNum, descriptors.size(), CV_32FC1 ); //根据输入图片大小进行分配空间
}
cout<<"HOG dims: "<<descriptors.size()<<endl;
n=0;
for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
{
data_mat.at<float>(i,n) = *iter;
n++;
}
//cout<<SVMtrainMat->rows<<endl;
res_mat.at<float>(i, 0) = img_catg[i];
cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
}
CvSVM svm = CvSVM();
CvSVMParams param;
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, Mat(), Mat(), param );
//☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆
svm.save( "E:/apple/SVM_DATA.xml" );
//检测样本
vector<string> img_tst_path;
ifstream img_tst( "E:/apple/SVM_TEST.txt" );
while( img_tst )
{
if( getline( img_tst, buf ) )
{
img_tst_path.push_back( buf );
}
}
img_tst.close();
Mat test;
char line[512];
ofstream predict_txt( "E:/apple/SVM_PREDICT.txt" );
for( string::size_type j = 0; j != img_tst_path.size(); j++ )
{
test = imread( img_tst_path[j].c_str(), 1);//读入图像
resize(test, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC);//要搞成同样的大小才可以检测到
HOGDescriptor *hog=new HOGDescriptor(cvSize(ImgWidht,ImgHeight),cvSize(16,16),cvSize(8,8),cvSize(8,8),9); //具体意思见参考文章1,2
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<<"The Detection Result:"<<endl;
cout<<"HOG dims: "<<descriptors.size()<<endl;
Mat SVMtrainMat = Mat::zeros(1,descriptors.size(),CV_32FC1);
n=0;
for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
{
SVMtrainMat.at<float>(0,n) = *iter;
n++;
}
int ret = svm.predict(SVMtrainMat);
std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret );
printf("%s %d\r\n", img_tst_path[j].c_str(), ret);
getchar();
predict_txt<<line;
}
predict_txt.close();
return 0;
}就到这里吧，再整理一下思路。
如果运行的时候出现Link错误，有可能是没有附加依赖项，要添加opencv_objdetect230d.lib，我的OpenCV是2.3版本，所以这里是230.
挑一个小毛病：
for( string::size_type i = 0; i != img_path.size(); i++ )
string的size_type是用来确定是字符串的第几个字符的。
应该改为：
for( vector<string>::size_type i = 0; i != img_path.size(); i++ )
vector<string>的才是用来判断是vector的第几个元素的。
9楼 zh12628599952012-10-25 18:03发表[回复][引用][举报]
楼主，可不可给一个txt模板，TXT文本截图
Re: 司令2012-11-09 12:52发表[回复][引用][举报]
回复zh1262859995：txt中就是 d:\img\1.jpg
这样的东西，用六楼的方法可以得到文件列表
8楼 XiangFeiDeXiong2012-08-28 10:28发表[回复][引用][举报]
CvSVMParams params;
127. params.svm_type = CvSVM::C_SVC;
128. params.kernel_type = CvSVM::LINEAR;
我在做分类的时候用的这个，但是出现： error C2653: “CvSVM”: 不是类或命名空间名称
还请楼主赐教！
Re: 司令2012-08-29 09:50发表[回复][引用][举报]
回复XiangFeiDeXiong：CvSVM的头文件是ml.h，你要确认你包含了这个文件，你也可以再OpenCV里找到这个文件，我找了一下，看到里面确实有定义这个class，我用的OpenCV版本是2.3.1，另外，确认你有using namespace cv
7楼 XiangFeiDeXiong2012-08-28 10:26发表[回复][引用][举报]
请问 CvSVM svm = CvSVM();
CvSVM是从哪里来的？也没瞧你包含相关头文件
6楼 xufeng1505832012-08-24 19:53发表[回复][引用][举报]
请问一下楼主，您注释中说的通过批处理bat可以得到txt文档时如何得到的？
Re: 司令2012-08-24 21:40发表[回复][引用][举报]
回复xufeng150583：新建一个txt文档，输入
dir /b/s/p/w *.jpg>train_list.txt
@pause
将文件后缀改为bat
5楼 yybing2012-08-16 16:27发表[回复][引用][举报]
样本是怎么取的呢？要是检测人的时候，主把一个人的全身像扣下来？
Re: 司令2012-08-20 15:55发表[回复][引用][举报]
回复yybing：......样本看你自己取的了，你训练了什么样子的样本，那么测试的时候就只能测试哪个样的。例如，如果你把人抠出来做样本训练，那么当你检测的时候你也必须要先把人从背景中抠出来然后再扔进去做检测。把人从背景中抠出来可以排除背景的干扰，但是抠得不准确反而适得其反。
Re: yybing2012-08-24 09:10发表[回复][引用][举报]
回复yongshengsilingsa：和背景一块儿训练背景变了不是就也检测不出来了？
Re: 司令2012-08-24 10:30发表[回复][引用][举报]
回复yybing：对啊，如果你的训练样本中有没有把背景剔除掉，做检测的时候换了背景会有影响的，至于最终会有多大的影响就不好说了，如果你的训练样本够大，也许可以抵消掉这种影响。我现在做的东西就是觉得去背景太困难了，就连同背景一起训练了，最终效果也还好。
Re: yybing2012-08-24 16:52发表[回复][引用][举报]
回复yongshengsilingsa：你用了GPU了吧？分辨率是多大的，这东东检测的时候速度太慢了吧，如果只用CPU。
Re: 司令2012-08-24 16:56发表[回复][引用][举报]
回复yybing：从来没有用过GPU加速这种东西，也不用上，提取纹理的时候也许用的上。分辨率很低，图片最终大小差不多50*50
4楼 liuqingjiea2012-08-08 19:51发表[回复][引用][举报]
想知道你训练得到的分类器有多大，能上百兆么，2千张样本的话。
Re: 司令2012-08-12 15:04发表[回复][引用][举报]
回复liuqingjiea：如果正负总共两千样本的话，特征数目我用的是672，应该也就是最多几十兆吧，不会超过50M的，我目前用的正负样本总共有十万，特征向量维数是672，也就是160M
3楼 追风筝的猪2012-07-10 13:21发表[回复][引用][举报]
请教下 程序到 svm.train( data_mat, res_mat, Mat(), Mat(), param ); 就会跳出error：OpenCV Error:Bad arguments： <There is only a single class> in cvPreprocessCategoricalResponse,file..\..\..\src\opencv\modules\ml\src\inner_functions.cpp,line 729
是形参啥的传递错误还是怎样 请教下谢了~
Re: 司令2012-07-16 14:06发表[回复][引用][举报]
回复lupnfer：这个，我也没法判断你的这个问题所在，应该是参数传统有问题，你点继续运行，看看调用堆栈哪里出错了。
Re: 追风筝的猪2012-07-17 14:38发表[回复][引用][举报]
回复yongshengsilingsa：这个 已经解决了 就是图像类型的分类 必须是两种图像的 虽然我不是很懂为啥 但分成多个图像就 OK了
Re: zh12628599952012-10-26 14:27发表[回复][引用][举报]
回复lupnfer：图像类型的分类 必须是两种图像的，是什么意思？
2楼 loadstar_kun2012-07-09 16:54发表[回复][引用][举报]
其实这个算是分类，不算检测
Re: 司令2012-07-16 14:05发表[回复][引用][举报]
回复loadstar_kun：对，算是分类的，简单的二分类。
1楼 k504030702012-05-06 18:02发表[回复][引用][举报]
請問一下，你程序裡的E:/SVM_DATA.txt這裡面是放正樣本還是負樣本呢？
Re: 司令2012-05-06 20:19发表[回复][引用][举报]
回复k50403070：正负样本都有，他的这个程序里的意思就是在这个txt文本中一行是图片文件名，接着下一行就是这个图片的类别。例如，第一行是一个图片文件名，然后接着的第二行就是表示一下这个图片属于哪一类，可以设定为0或者1，然后第三行又是图片文件名，然后第四行表示第三行的图片类别，0或者1。你可以规定类别1是正样本，0是负样本，最后测试一张图片，程序会告诉你这个图片属于1还是0。
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类 hog->compute(trainImg, descriptors,Size(1,1), Size(0,0))出现bug
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类
- OpenCV中的HOG+SVM物体分类