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 ...

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

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

最新文章

热门文章