HOG+SVM实现行人检测

一、概述

行人检测过去流行采用的方法是DPM方法，其主要采用hog特征+SVM分类实现行人检测；

其中梯度方向直方图( Histogram of Oriented Gradients，HOG)的概念是
Dalal和Triggs在2005年提出，并将其用于行人检测，

该方法在 MIT行人数据库上获得近乎 100% 的检测成功率；在包含视角、光照和背景等变化的 INRIA 行人数据库上，也取得了大约 90% 的检测成功率。HOG是目前使用最为广泛的行人特征描述子。

参考博客:

HOG特征（Histogram of Gradient）学习总结

【OpenCV3】HOG+SVM目标识别

HOG+SVM行人检测的两种方法

OpenCV3.0 HOG+SVM行人检测器

Opencv实现行人检测(HOG + SVM)

SVM+HOG 之牛奶盒检测（三、C++实战操作）

Opencv3.0HOG-SVM自定义xml检测

【行人检测】利用HOG+SVM训练模型，检测行人

二、实现代码

先上完整的代码，再进行解析说明

#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 <sys/time.h>using namespace std;
using namespace cv;
using namespace cv::ml;#define PosSamNO 2416  //original positive num
#define NegSamNO 6070 // original negative num
#define cropNegNum 1214  //number of to be croped picture#define HardExampleNO 0 // hard negative num
#define AugPosSamNO 0 //Aug positive num#define TRAIN true //if TRAIN is true, it will Train the data, if false it will not
#define CENTRAL_CROP true  // it is nessary to set it to true,to fit the hog parameter
#define crop_negsample false //if true,it will crop the negtive sample at random/*********************************    随机剪裁负样本   *******************************************/
void crop_negsample_random()
{string imgName;char saveName[200];ifstream fileNeg("../img_dir/sample_neg.txt");int num=0;//如果文件存在，则先删除该文件ofstream fout("../img_dir/sample_new_neg.txt",ios::trunc);//读取负样本for (int i = 0;i < cropNegNum && getline(fileNeg, imgName); i++){imgName = "../normalized_images/train/neg/" + imgName;  //加路径Mat img = imread(imgName, IMREAD_UNCHANGED);struct timeval tv;if (img.empty()){cout << "can not load the image:" << imgName << endl;continue;}if (img.cols >= 64 && img.rows >= 128){num = 0;//从每张图片中随机剪裁5张64*128的负样本for (int j = 0;j < 5;j++){gettimeofday(&tv,NULL);srand(tv.tv_usec);//利用系统时间（微妙），设置随机数种子int x = rand() % (img.cols - 64); //左上角xint y = rand() % (img.rows - 128); //左上角ycout << "x:" << x << "y:" << y <<endl;Mat src = img(Rect(x, y, 64, 128));sprintf(saveName, "../normalized_images/train/new_neg/neg%dCropped%d.png",i, num);imwrite(saveName,src);//保存裁剪得到的图片名称到txt文件，换行分隔if(i<(cropNegNum-1)){fout <<"neg" << i << "Cropped"<< num++ << ".png"<< endl;}else if(i==(cropNegNum-1) && j<4){fout <<"neg" << i << "Cropped"<< num++ << ".png"<< endl;}else{fout <<"neg" << i << "Cropped"<< num++ << ".png";}        }}}fout.close();cout << "crop ok!" << endl;
}int main()
{if(crop_negsample){crop_negsample_random(); //裁剪负样本}//winsize(64,128),blocksize(16,16),blockstep(8,8),cellsize(8,8),bins9HOGDescriptor hog(Size(64,128),Size(16,16),Size(8,8),Size(8,8),9);int DescriptorDim;Ptr<SVM> svm = SVM::create();if(TRAIN){string ImgName;ifstream finPos("../img_dir/sample_pos.txt");// ifstream finNeg("../sample_neg.txt");ifstream finNeg("../img_dir/sample_new_neg.txt");if (!finPos || !finNeg){cout << "Pos/Neg imglist reading failed..." << endl;return 1;}Mat sampleFeatureMat;Mat sampleLabelMat;//loading original positive examples...for(int num=0; num < PosSamNO && getline(finPos,ImgName); num++){//cout <<"Now processing original positive image: " << ImgName << endl;ImgName = "../normalized_images/train/pos/" + ImgName;Mat src = imread(ImgName);if(CENTRAL_CROP)resize(src,src,Size(64,128));// src = src(Rect(16,16,64,128));vector<float> descriptors;hog.compute(src, descriptors, Size(8,8));//计算HOG描述子，检测窗口移动步长(8,8)if( 0 == num ){DescriptorDim = descriptors.size();sampleFeatureMat = Mat::zeros(PosSamNO +AugPosSamNO +NegSamNO +HardExampleNO, DescriptorDim, CV_32FC1);sampleLabelMat = Mat::zeros(PosSamNO +AugPosSamNO +NegSamNO +HardExampleNO, 1, CV_32SC1);//sampleLabelMat的数据类型必须为有符号整数型}//将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMatfor(int i=0; i<DescriptorDim; i++)sampleFeatureMat.at<float>(num,i) = descriptors[i];sampleLabelMat.at<int>(num,0) = 1;}finPos.close();//loading original negative examples...for(int num = 0; num < NegSamNO && getline(finNeg,ImgName); num++){//cout<<"Now processing original negative image: "<<ImgName<<endl;// ImgName = "../normalized_images/train/neg/" + ImgName;ImgName = "../normalized_images/train/new_neg/" + ImgName;Mat src = imread(ImgName);vector<float> descriptors;hog.compute(src,descriptors,Size(8,8));for(int i=0; i<DescriptorDim; i++)sampleFeatureMat.at<float>(num+PosSamNO,i) = descriptors[i];sampleLabelMat.at<int>(num +PosSamNO +AugPosSamNO, 0) = -1;}finNeg.close();svm ->setType(SVM::C_SVC);svm ->setC(0.01);svm ->setKernel(SVM::LINEAR);// svm ->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 3000, 1e-6));svm ->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-3));cout<<"Starting training..."<<endl;svm ->train(sampleFeatureMat, ROW_SAMPLE, sampleLabelMat);cout<<"Finishing training..."<<endl;svm ->save("../data/SVM_HOG.xml");}else {svm = SVM::load( "../data/SVM_HOG.xml" );   }cout << "loaded SVM_HOG.xml file"  << endl;Mat svecsmat = svm ->getSupportVectors();//svecsmat元素的数据类型为floatint svdim = svm ->getVarCount();//特征向量位数int numofsv = svecsmat.rows;// Mat alphamat = Mat::zeros(numofsv, svdim, CV_32F);//alphamat和svindex必须初始化，否则getDecisionFunction()函数会报错Mat alphamat = Mat::zeros(numofsv, svdim, CV_32F);Mat svindex = Mat::zeros(1, numofsv,CV_64F);cout << "after initialize the value of alphamat is  " << alphamat.size()  << endl;  Mat Result;double rho = svm ->getDecisionFunction(0, alphamat, svindex);cout << "the value of rho is  " << rho << endl;    alphamat.convertTo(alphamat, CV_32F);//将alphamat元素的数据类型重新转成CV_32Fcout << "the value of alphamat is  " << alphamat << endl; cout << "the size of alphamat is  " << alphamat.size() << endl;cout << "the size of svecsmat is  " << svecsmat.size() << endl;Result = -1 * alphamat * svecsmat;//floatcout << "the value of svdim is  " << svdim << endl;vector<float> vec;for (int i = 0; i < svdim; ++i){vec.push_back(Result.at<float>(0, i));}vec.push_back(rho);cout << "going to write the HOGDetectorForOpenCV.txt file"  << endl;//saving HOGDetectorForOpenCV.txtofstream fout("HOGDetectorForOpenCV.txt");for (int i = 0; i < vec.size(); ++i){fout << vec[i] << endl;}/*********************************Testing**************************************************/HOGDescriptor hog_test;hog_test.setSVMDetector(vec);// Mat src = imread("../person_and_bike_177b.png");Mat src = imread("../3.jpg");vector<Rect> found, found_filtered;hog_test.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);cout<<"found.size : "<<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("ImgProcessed.jpg",src);namedWindow("src",0);imshow("src",src);waitKey(0);return 0;}

代码说明

程序在最开始的地方定义了负样本裁剪函数：crop_negsample_random；用于从少量的负样本中裁剪得到足够的负样本
行人数据集：INRIADATA,使用整理过的图片即：original_images这个文件夹中图片即可
当报错的时候，首先检查：正负样本的数量和对应的txt文件对应的行数是否一致
代码运行环境为：opencv3.0以上，在Ubuntu14.04+opencv3.2上运行测试，采用cmake进行编译进行了验证，目录组织如下图所示：

其中normalized_images为训练所需的图片，img_dir包含正负样本名称的txt文件，data包含一些测试的图片，完整代码可参考：https://download.csdn.net/download/yph001/10721973
其中在Ubuntu下将目录中的所有文件名输出到txt文件的方法为：

//例如将neg这个文件夹下面的所有文件名称，输入到与neg文件夹同级的sample_neg.txt目录
cd neg
ls -R * > ../sample_neg.txt

注意要将CENTRAL_CROP 设置为true，使得对正样本图片进行裁剪成64*128大小，使得这与hog参数中设置的(64,128)相吻合，要不很容易运行特别长时间，并最终报错

HOG+SVM实现行人检测相关推荐

OpenCV实战【2】HOG+SVM实现行人检测
目录 HOG是什么? HOG vs SIFT HOG步骤 HOG在检测行人中的方式 Opencv实现 HOGDescriptor的构造函数: 行人检测HOG+SVM步骤简化版的HOG计算 HOG是什 ...
HOG+SVM进行行人检测（github代码解读）
HOG+SVM进行行人检测代码参考+数据集来源:https://github.com/FrankMa123/- 注意使用的scikit-learn库的版本为0.22,高于该版本的scikit-lea ...
OpenCV实战4： HOG+SVM实现行人检测
目前基于机器学习方法的行人检测的主流特征描述子之一是HOG(Histogram of Oriented Gradient, 方向梯度直方图)HOG 特征是用于目标检测的特征描述子,它通过计算和统计图像 ...
CVPR2005【行人检测】HOG+SVM用于人体检测的梯度方向直方图
目录 CVPR2005-用于人体检测的梯度方向直方图 Histograms of Oriented Gradients for Human Detection 使用的数据集研究方法数据流程双对 ...
Opencv学习笔记基于HOG和SVM的行人检测
一.概述 OpenCV提供了一个基于HOG和SVM且经过训练的行人检测器.和级联分类器一样,可以用这个SVM分类器以不同尺度的窗口扫描图像,在完整的图像中检测特定物体. 1.代码参考窗口步长决定了这 ...
python svm 实战_opencv-python 入门实战：传统方法Hog+svm实现目标检测
写在前面相信大家学过语言的朋友们都有这样经验:学习编程语言最快的方式就是直接看别人的源代码.别人代码看通了,基本上这门编程语言也就入门了. 文末将附上我自己写的代码,比较初级,适合入门学习.大佬看到 ...
利用Hog特征和SVM分类器进行行人检测
1.HOG特征: 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子.它通过计算和统计图像局部区域的 ...
行人检测HOG+SVM：综述、INRIADATA数据集、线性SVM
目录 1. 行人检测算法研究综述 2. 基于机器学习的方法:人工特征+分类器 2.1 HOG+SVM 2.2 HOG+Adaboost 2.3 ICF+AdaBoost 2.4 DPM+ latent ...
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 ...

HOG+SVM实现行人检测

一、概述

二、实现代码

HOG+SVM实现行人检测相关推荐

最新文章

热门文章