标签：des style blog io ar color os sp for
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：
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：
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); }
标签：des style blog io ar color os sp for
原文地址：http://www.cnblogs.com/qscqesze/p/4111370.html
