SVM+HOG:用初次训练的.xml分类器在负样本原图上检测生成HardExample样本
难例(或叫做难样本,Hard Example,Hard Negative,Hard Instance)是指利用第一次训练的
分类器在负样本原图(肯定没有人体)上进行行人检测时所有检测到的矩形框,这些矩形框区域很明显都是误报
,“把这些误报的矩形框保存为图片”,这些误检的图片就是HardExample图片。把HardExample图片加入到初始的负样本集合中,重新进行SVM的训练,可显著减少误报。
上图中将树干误认为是人体,这些就是Hard Example,将这些矩形框保存为64*128的图片文件,加入到负样本集合中。也就是说,难例就是分错类的负样本,将难例加入负样本集合进行二次训练就是告诉分类器:“这些是你上次分错类的,要吸取教训,改正错误”
创建负样本描述文件negatives.txt,注意删除.txt行
准备工作:
ifstream fin("F:\\INRIAPerson\\INRIAPerson\\train_64x128_H96\\neg\\negatives.txt");//打开原始负样本图片文件的路径
svm.load("SVM_HOG_1500PosINRIA_2000Neg.xml");//从XML文件读取训练好的SVM模型
sprintf(saveName,"F:\\dataset\\HardExample\\%06d.jpg",++CropImageCount);//生成裁剪出的负样本图片的文件名
#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> using namespace std;
using namespace cv; 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; }
}; char saveName[256];//裁剪出来的负样本图片文件名
int CropImageCount;
string ImgName;
ifstream fin("F:\\INRIAPerson\\INRIAPerson\\train_64x128_H96\\neg\\negatives.txt");//打开原始负样本图片文件的路径 int pic_Num = 0; // 处理了多少张图像
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 HOGDescriptor hog(Size(64,128),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 svm.load("SVM_HOG_1500PosINRIA_2000Neg.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++) { 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; //设置HOGDescriptor的检测子 HOGDescriptor myHOG; 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; } while(getline(fin,ImgName)) { cout<<"处理:"<<ImgName<<" "<<pic_Num++<<endl; /**************读入图片进行HOG行人检测******************/ Mat src = imread(ImgName); if(src.empty()){continue;}Mat T;src.copyTo(T);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]; //begin:自己添加的代码if(r.x>src.cols || r.x<0)continue;if(r.y>src.rows || r.y<0)continue;if(r.x+r.width>src.cols || r.x+r.width<0)continue;if(r.y+r.height>src.rows || r.y+r.height<0)continue;//endr.x = r.x+cvRound(r.width*0.1); r.width = cvRound(r.width*0.8); r.y = 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); //画出矩阵if(r.x>src.cols||r.x<0||r.y>src.rows || r.y<0||r.x+r.width>src.cols || r.x+r.width<0||r.y+r.height>src.rows || r.y+r.height<0)continue;//截图Rect tmp(r);Mat dst = src(tmp);resize(dst,dst,Size(64,128));sprintf(saveName,"F:\\dataset\\HardExample\\%06d.jpg",++CropImageCount);//生成裁剪出的负样本图片的文件名 imwrite(saveName, dst);//保存文件 } }system("pause");
}
注意:采取HardExample图片之后,保存的图片都调整成64X128大小的。
SVM+HOG:用初次训练的.xml分类器在负样本原图上检测生成HardExample样本相关推荐
- 用初次训练的SVM+HOG分类器在负样本原图上检测HardExample
难例(或叫做难样本,Hard Example,Hard Negative,Hard Instance)是指利用第一次训练的分类器在负样本原图(肯定没有人体)上进行行人检测时所有检测到的矩形框,这些矩形 ...
- SVM+HOG:利用训练好的XML进行行人检测(检测效果)
说明:HOG+SVM生成的.xml文件不能用人脸的代码进行测试效果,必须用下面的代码才能测试代码. #include <iostream> #include <fstream> ...
- 九、(补充文章四)Arcgis实现深度学习训练样本数据的批量制作——只靠原图+shp如何批量制作样本图片
之前写了一些个深度学习系列文 其中先是单张样本的制作方法 最后通过构造模型批量处理 大大提高了生成样本的速度 四.Arcgis实现深度学习河流训练样本数据的制作(使用软件批量获取样本图片)--对已经获 ...
- opencv 使用SVM+HOG训练行人检测分类器(INRIA Person Dataset训练集)
目录 1.训练过程(即代码流程) 2.模型及结果优缺点分析 3.模型建立中发现的问题及改进方法 4.行人检测OpenCv 代码(C++) 1.训练过程(即代码流程) 1. 准备训练样本集合: 包括正样 ...
- 3.9 训练一个 Softmax 分类器-深度学习第二课《改善深层神经网络》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.8 Softmax 回归 回到目录 3.10 深度学习框架 训练一个 Softmax 分类器 (Training a Softmax Classifier) 上一个视频中 ...
- 训练softmax分类器实例_吴恩达深度学习笔记(56)-训练一个 Softmax 分类器
训练一个 Softmax 分类器(Training a Softmax classifier) 上一个笔记中我们学习了Softmax层和Softmax激活函数,在这个笔记中,你将更深入地了解Softm ...
- 用opencv训练LBP特征分类器生成xml文件
用opencv训练LBP特征分类器生成xml文件 需要工具:opencv_createsamples.exe .opencv_traincascade.exe .opencv_world3414.dl ...
- 详细的基于opencv svm hog的描述讲解
(转自http://blog.csdn.net/zhazhiqiang/ 未经允许请勿用于商业用途) 一.理论 1.HOG特征描述子的定义: locally normalised histogram ...
- 基于SVM+HOG的手写体数字识别
本文是对下面这篇文章的一些略微详细的解释... OpenCV Hog+SVM 学习 最近在学习数字识别,搜索资料的时候,发现了这篇文章.文章很久了,是2013年发的,那时候我才刚上大学.....用的是 ...
最新文章
- I2C原理及特性总结
- windows命名管道
- xunsearch php,GitHub - ziyueit/xunsearch: 迅搜的一个PHP封装类
- mysql8.0.17压缩包安装教程_超详细的MySQL8.0.17版本安装教程
- 二分法求解方程的根java_C语言二分法求解方程根的两种方法
- 2021 icme_2021第十届制造工程与工艺国际会议(ICMEP 2021)
- java php 女生数量,萌妹子告诉你php和java如何选
- PCL1.8.0+Windows+VS2013配置
- Beta冲刺 第一天
- MyBB论坛兼容智能手机的解决方案
- 模板 - 多项式快速插值
- oracle 查询XML操作、操作系统文件
- excel线性拟合的斜率_如何利用EXCEL求直线斜率?
- ssm java当前项目路径_SSM项目中动态获取路径
- 安卓渗透测试工具——drozer安装使用教程
- 遗传算法(GA)解决MTSP问题及Matlab代码
- python输出斐波那契数列_Python实现斐波那契数列
- CorelCAD 2018 for Mac中文破解版永久激活方法
- 前端字体图标的使用总结
- python太极代码_Python turtle绘制阴阳太极图代码解析