当前位置：网站首页>【opencv】train＆test HOG+SVM
【opencv】train＆test HOG+SVM
2022-07-01 19:24:00 【十年一梦实验室】
#include <iostream>
#include <fstream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/objdetect/objdetect.hpp>
#include <opencv2/ml/ml.hpp>
#include <cxcore.h>
#include <cv.h>
using namespace std;
using namespace cv;
#define PosSamNO 46 //正样本个数
#define NegSamNO 72 //负样本个数
#define TRAIN true //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
/*第一处*/HOGDescriptor hog(Size(64,64),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("/Users/ymy/Desktop/SVM2/SVM2/pos/pos.txt");//正样本图片的文件名列表
ifstream finNeg("/Users/ymy/Desktop/SVM2/SVM2/neg/neg.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<PosSamNO && getline(finPos,ImgName); num++)
{
cout<<"处理："<<ImgName<<endl;
Mat src = imread(ImgName);//读取图片
/*第二处*/resize(src,src,Size(64,64));
//resize(src,src,Size(64,64));
vector<float> descriptors;//HOG描述子向量
//cout<< grad.cols;
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："<<descriptors.size()<<endl;
//处理第一个样本时初始化特征向量矩阵和类别矩阵，因为只有知道了特征向量的维数才能初始化特征向量矩阵
if( 0 == num )
{
DescriptorDim = descriptors.size();//HOG描述子的维数
//初始化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sampleFeatureMat
sampleFeatureMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, DescriptorDim, CV_32FC1);
//初始化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，0表示无人
sampleLabelMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, 1, CV_32FC1);
}
//将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat
for(int i=0; i<DescriptorDim; i++)
sampleFeatureMat.at<float>(num,i) = descriptors[i];//第num个样本的特征向量中的第i个元素
sampleLabelMat.at<float>(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<NegSamNO && getline(finNeg,ImgName); num++)
{
cout<<"处理："<<ImgName<<endl;
//cout<<ImgName<<endl;
//waitKey();
Mat src = imread(ImgName);//读取图片
/*第三处*/resize(src,src,Size(128,128));
vector<float> 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："<<descriptors.size()<<endl;
//将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat
for(int i=0; i<DescriptorDim; i++)
sampleFeatureMat.at<float>(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<float>(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<HardExampleNO && getline(finHardExample,ImgName); num++)
{
cout<<"处理："<<ImgName<<endl;
ImgName = "D:\\DataSet\\HardExample_2400PosINRIA_12000Neg\\" + ImgName;//加上HardExample负样本的路径名
Mat src = imread(ImgName);//读取图片
//resize(src,img,Size(64,128));
vector<float> 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："<<descriptors.size()<<endl;
//将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat
for(int i=0; i<DescriptorDim; i++)
sampleFeatureMat.at<float>(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<float>(num+PosSamNO+NegSamNO,0) = -1;//负样本类别为-1，无人
}
}
//训练SVM分类器
//迭代终止条件，当迭代满1000次或误差小于FLT_EPSILON时停止迭代
CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 1000, FLT_EPSILON);
//SVM参数：SVM类型为C_SVC；线性核函数；松弛因子C=0.01
CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria);
cout<<"开始训练SVM分类器"<<endl;
svm.train(sampleFeatureMat, sampleLabelMat, Mat(), Mat(), param);//训练分类器
cout<<"训练完成"<<endl;
svm.save("/Users/ymy/Desktop/SVM_HOG.xml");//将训练好的SVM模型保存为xml文件
}
else //若TRAIN为false，从XML文件读取训练好的分类器
{
svm.load("/Users/ymy/Desktop/SVM_HOG.xml");//从XML文件读取训练好的SVM模型
}
/*************************************************************************************************
线性SVM训练完成后得到的XML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。
***************************************************************************************************/
DescriptorDim = svm.get_var_count();//特征向量的维数，即HOG描述子的维数
int supportVectorNum = svm.get_support_vector_count();//支持向量的个数
cout<<"支持向量个数："<<supportVectorNum<<endl;
Mat alphaMat = Mat::zeros(1, supportVectorNum, CV_32FC1);//alpha向量，长度等于支持向量个数
Mat supportVectorMat = Mat::zeros(supportVectorNum, DescriptorDim, CV_32FC1);//支持向量矩阵
Mat resultMat = Mat::zeros(1, DescriptorDim, CV_32FC1);//alpha向量乘以支持向量矩阵的结果
//将支持向量的数据复制到supportVectorMat矩阵中
for(int i=0; i<supportVectorNum; i++)
{
const float * pSVData = svm.get_support_vector(i);//返回第i个支持向量的数据指针
for(int j=0; j<DescriptorDim; j++)
{
//cout<<pData[j]<<" ";
supportVectorMat.at<float>(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<supportVectorNum; i++)
{
alphaMat.at<float>(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<float>& detector)参数中可用的检测子
vector<float> myDetector;
//将resultMat中的数据复制到数组myDetector中
for(int i=0; i<DescriptorDim; i++)
{
myDetector.push_back(resultMat.at<float>(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："<<myDetector.size()<<endl;
//waitKey();
//设置HOGDescriptor的检测子
/*第四处*/HOGDescriptor myHOG(Size(64,64),Size(16,16),Size(8,8),Size(8,8),9);
cout<<myHOG.getDescriptorSize()<<endl;
//waitKey();
myHOG.setSVMDetector(myDetector);
//myHOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());
//保存检测子参数到文件
ofstream fout("HOGDetectorForOpenCV.txt");
for(int i=0; i<myDetector.size(); i++)
{
fout<<myDetector[i]<<endl;
}
/**************读入视频进行HOG行人检测******************/
VideoCapture cap("/Users/ymy/Downloads/IMG_0249.MOV");//汽车正面检测
Mat src;
for(;;)
{
cap >> src;
cap >> src;
cap >> src;
cap >> src;
if( !src.empty() )
{
resize(src,src,Size(200,372));
vector<Rect> found, found_filtered;//矩形框数组
//cout<<"进行多尺度HOG人体检测"<<endl;
myHOG.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);//对图片进行多尺度行人检测
cout<<"找到的矩形框个数："<<found.size()<<endl;
//找出所有没有嵌套的矩形框r,并放入found_filtered中,如果有嵌套的话,则取外面最大的那个矩形框放入found_filtered中
for(int i=0; i < found.size(); i++)
{
Rect r = found[i];
int j=0;
for(; j < found.size(); j++)
if(j != i && (r & found[j]) == r)
break;
if( j == found.size())
found_filtered.push_back(r);
}
//画矩形框，因为hog检测出的矩形框比实际人体框要稍微大些,所以这里需要做一些调整
for(int i=0; i<found_filtered.size(); i++)
{
Rect r = found_filtered[i];
r.x += cvRound(r.width*0.1);
r.width = cvRound(r.width*0.8);
r.y += cvRound(r.height*0.07);
r.height = cvRound(r.height*0.8);
rectangle(src, r.tl(), r.br(), Scalar(0,255,0), 3);
}
imshow("src",src);
}
else
{ printf(" --(!) No captured frame -- Break!"); break; }
int c = waitKey(1);
if( (char)c == 'c' ) { break; }
}
/****************************************************/
/**************读入图片进行HOG行人检测******************
//Mat src = imread("00000.jpg");
//Mat src = imread("2007_000423.jpg");/Users/ymy/Downloads/2012-03-07-08-48-19.jpg
Mat src = imread("/Users/ymy/Desktop/SVM2/SVM2/pos/9.png");//"/Users/ymy/Pictures/FN2V63AD2J.com.tencent.ScreenCapture2/[email protected]");///Users/ymy/Desktop/test.jpg");
//resize(src,src,Size(200,372));
resize(src,src,Size(100,100));
vector<Rect> found, found_filtered;//矩形框数组
//cout<<"进行多尺度HOG人体检测"<<endl;
myHOG.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);//对图片进行多尺度行人检测
cout<<"找到的矩形框个数："<<found.size()<<endl;
//找出所有没有嵌套的矩形框r,并放入found_filtered中,如果有嵌套的话,则取外面最大的那个矩形框放入found_filtered中
for(int i=0; i < found.size(); i++)
{
Rect r = found[i];
int j=0;
for(; j < found.size(); j++)
if(j != i && (r & found[j]) == r)
break;
if( j == found.size())
found_filtered.push_back(r);
}
//画矩形框，因为hog检测出的矩形框比实际人体框要稍微大些,所以这里需要做一些调整
for(int i=0; i<found_filtered.size(); i++)
{
Rect r = found_filtered[i];
r.x += cvRound(r.width*0.1);
r.width = cvRound(r.width*0.8);
r.y += cvRound(r.height*0.07);
r.height = cvRound(r.height*0.8);
rectangle(src, r.tl(), r.br(), Scalar(0,255,0), 3);
}
imwrite("/Users/ymy/Desktop/ImgProcessed.jpg",src);
imshow("src",src);
waitKey();//注意：imshow之后必须加waitKey，否则无法显示图像
/******************************************************************************/
/******************批量处理负样本*************************************************
string ImgN,ImgN1;
ifstream finNeg("/Users/ymy/Desktop/SVM2/SVM2/neg/neg.txt");//负样本图片的文件名列表
ifstream finNeg1("/Users/ymy/Desktop/SVM2/SVM2/neg/neg1.txt");
getline(finNeg,ImgN);
for(int i=1;i<491;i++)
{
cout<<"第"<<i<<"幅"<<endl;
Mat src = imread(ImgN);
getline(finNeg,ImgN);
//resize(src,src,Size(200,200));
vector<Rect> found, found_filtered;//矩形框数组
//cout<<"进行多尺度HOG人体检测"<<endl;
myHOG.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);//对图片进行多尺度行人检测
cout<<"找到的矩形框个数："<<found.size()<<endl;
//找出所有没有嵌套的矩形框r,并放入found_filtered中,如果有嵌套的话,则取外面最大的那个矩形框放入found_filtered中
for(int i=0; i < found.size(); i++)
{
Rect r = found[i];
int j=0;
for(; j < found.size(); j++)
if(j != i && (r & found[j]) == r)
break;
if( j == found.size())
found_filtered.push_back(r);
}
//画矩形框，因为hog检测出的矩形框比实际人体框要稍微大些,所以这里需要做一些调整
for(int i=0; i<found_filtered.size(); i++)
{
getline(finNeg1,ImgN1);
Rect r = found_filtered[i];
r.x += cvRound(r.width*0.1);
r.width = cvRound(r.width*0.8);
r.y += cvRound(r.height*0.07);
r.height = cvRound(r.height*0.8);
int a,b,c,d;
if(r.tl().x>=0) a=r.tl().x;
else a=0;
if(r.tl().y>=0) b=r.tl().y;
else b=0;
if(r.br().x>src.cols) c=src.cols;
else c=r.br().x;
if(r.br().y>src.rows) d=src.rows;
else d=r.br().y;
Rect myROI(a,b,c-a,-b+d);
cout<<myROI;
Mat croppedImage=src(myROI);
imwrite(ImgN1,croppedImage);
}
}
/*************************************************/
/******************读入单个64*128的测试图并对其HOG描述子进行分类*********************/
读取测试图片(64*128大小)，并计算其HOG描述子
Mat testImg = imread("person014142.jpg");
//Mat testImg = imread("noperson000026.jpg");
//vector<float> 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<descriptor.size(); i++)
// testFeatureMat.at<float>(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："<<result<<endl;
system("pause");
}test.cpp
//
// main.cpp
// car
//
// Created by ymy on 16/3/15.
// Copyright 2016年 ymy. All rights reserved.
//
#include <iostream>
#include <stdio.h>
#include <cv.h>
#include "opencv2/objdetect/objdetect.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/core/core.hpp"
using namespace std;
using namespace cv;
void detectAndDisplay( Mat frame );
//String car_cascade_name = "/Users/ymy/Desktop/SVM_HOG.xml";//california
//String car_cascade_name = "/Users/ymy/Desktop/UIUC/cas2.xml";//UIUC
String car_cascade_name = "/Users/ymy/Documents/SJTU_bachelor/PRP/car_detection/code/car/cars.xml";
CascadeClassifier car_cascade;
string window_name = "Capture - car detection";
RNG rng(12345);
int main(int argc, const char * argv[]) {
//VideoCapture cap("/Users/ymy/Documents/SJTU_bachelor/PRP/car_detection/traffic.avi");//汽车正面检测 for video processing
Mat frame;
frame = imread("/Users/ymy/Documents/SJTU_bachelor/PRP/car_detection/example.jpg");
//if( !car_cascade.load( car_cascade_name ) ){ printf("--(!)Error loading\n"); return -1; };
car_cascade.load( car_cascade_name );
//-- 2. Read the video stream
//detectAndDisplay( frame );
//读取视频
/*for(;;)
{
cap >> frame;
if( !frame.empty() )
{ detectAndDisplay( frame ); }
else
{ printf(" --(!) No captured frame -- Break!"); break; }
int c = waitKey(10);
if( (char)c == 'c' ) { break; }
}*/
waitKey(0);
return 0;
}
void detectAndDisplay( Mat frame )
{
std::vector<Rect> cars;
Mat frame_gray;
//VideoWriter out;
cvtColor( frame, frame_gray, CV_BGR2GRAY );
equalizeHist( frame_gray, frame_gray );
//-- Detect car
car_cascade.detectMultiScale( frame_gray, cars, 1.1, 1, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30) );
for( size_t i = 0; i < cars.size(); i++ )
{
if(cars[i].width<130 or cars[i].height<65) continue;
Point center( cars[i].x + cars[i].width*0.5, cars[i].y + cars[i].height*0.5 );
ellipse( frame, center, Size( cars[i].width*0.5, cars[i].height*0.5), 0, 0, 360, Scalar( 255, 0, 255 ), 4, 8, 0 );
Mat faceROI = frame_gray( cars[i] );
}
//-- Show what you got
imshow( window_name, frame );
imwrite("/Users/ymy/Documents/SJTU_bachelor/PRP/car_detection/result.jpg",frame);
}
边栏推荐
- STC 32-bit 8051 single chip microcomputer development example tutorial three program compilation setting and download
- 图片拼图微信小程序源码_支持多模板制作和流量主
- Gaussdb (for MySQL):partial result cache, which accelerates the operator by caching intermediate results
- 升级版手机检测微信工具小程序源码-支持多种流量主模式
- Uniapp uses Tencent map to select points without window monitoring to return users' location information. How to deal with it
- Realize pyramids through JS (asterisk pyramid, palindrome symmetric digital pyramid)
- Myslq ten kinds of locks, an article will take you to fully analyze
- 数据分析师听起来很高大上？了解这几点你再决定是否转型
- 想得到股票开户的优惠链接，如何得知？在线开户是安全么？
- On the usage of a magic function
猜你喜欢
随机推荐
leetcode刷题：栈与队列07（滑动窗口最大值）
2022安全员-A证考题及在线模拟考试
漏洞复现-.Net-ueditor上传
math_ Use differentiation to calculate approximate value
【C语言】详解 memset() 函数用法
Powerful, easy-to-use, professional editor / notebook software suitable for programmers / software developers, comprehensive evaluation and comprehensive recommendation
How to create a pyramid with openmesh
ORA-01950
如果浏览器被意外关闭，react怎么缓存用户填写的表单？
走进如心小镇，数智化变革连接“未来社区”
图片拼图微信小程序源码_支持多模板制作和流量主
C # joint halcon Application - Dahua Camera Collection class
Simple but modern server dashboard dashdot
C ＃ joint Halcon application - Dahua camera acquisition class
tensorflow 张量做卷积，输入量与卷积核维度的理解
架构师毕业总结
目标检测——Yolo系列
Niuke programming question -- must brush the string of 101 (brush the question efficiently, draw inferences from one instance)
Optimization of the problem that the request flow fails to terminate during page switching of easycvr cluster video Plaza
After adding cocoapods successfully, the header file cannot be imported or an error is reported in not found file