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   
#include   
#include   
#include   
#include   
using namespace cv;  
using namespace std;  
  
  
int main(int argc, char** argv)    
{    
    vector img_path;//输入文件名变量 
    vector 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  
  
	 vectordescriptors;//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: "<                continue;  
            }  
  
            cout<<" processing "<                 
            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: "<            //CvMat* SVMtrainMat=cvCreateMat(descriptors.size(),1,CV_32FC1);  
            n=0;  
            for(vector::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)  
            {  
                cvmSet(data_mat,i,n,*iter);//把HOG存储下来  
                n++;  
            }  
                //cout<rows<            cvmSet( res_mat, i, 0, img_catg[i] );  
			//{
			//	vector().swap(descriptors); //释放vector内存
			//}
            cout<<" end processing "<			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 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: "<               continue;  
         }  
          
        cvZero(trainImg);  
        cvResize(test,trainImg);   //读取图片     
       //vectordescriptors;//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: "<       
		if (j==0)
		{
			SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1); 
		}		 
        n=0;  
        for(vector::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().swap(descriptors);
		}*/
        predict_txt<		cvReleaseImage( &test );
		test=NULL;

    }  
    predict_txt.close();   

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