OpenCV中的HOG+SVM物体分类

http://blog.csdn.net/yongshengsilingsa/article/details/7535496

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：

#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：

#include "stdafx.h"

#include "cv.h"  

#include "highgui.h"  

#include "stdafx.h"  

#include <ml.h>  

#include <iostream>  

#include &l
b8d9
t;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;  

}