SVM分类器训练的HOG行人检测
正样本来源是INRIA数据集中的96*160大小的人体图片,使用时上下左右都去掉16个像素,截取中间的64*128大小的人体。
负样本是从不包含人体的图片中随机裁取的,大小同样是64*128(从完全不包含人体的图片中随机剪裁出64*128大小的用于人体检测的负样本)。
SVM使用的是OpenCV自带的CvSVM类。
首先计算正负样本图像的HOG描述子,组成一个特征向量矩阵,对应的要有一个指定每个特征向量的类别的类标向量,输入SVM中进行训练。
训练好的SVM分类器保存为XML文件,然后根据其中的支持向量和参数生成OpenCV中的HOG描述子可用的检测子参数,再调用OpenCV中的多尺度检测函数进行行人检测。
难例(Hard Example)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,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。
用训练好的分类器在负样本原图上检测Hard Example见:用初次训练的SVM+HOG分类器在负样本原图上检测HardExample
Navneet Dalal在CVPR2005上的HOG原论文翻译见:http://blog.csdn.net/masibuaa/article/details/14056807
- #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;
- #define PosSamNO 2400 //正样本个数
- #define NegSamNO 12000 //负样本个数
- #define TRAIN false //是否进行训练,true表示重新训练,false表示读取xml文件中的SVM模型
- #define CENTRAL_CROP true //true:训练时,对96*160的INRIA正样本图片剪裁出中间的64*128大小人体
- //HardExample:负样本个数。如果HardExampleNO大于0,表示处理完初始负样本集后,继续处理HardExample负样本集。
- //不使用HardExample时必须设置为0,因为特征向量矩阵和特征类别矩阵的维数初始化时用到这个值
- #define HardExampleNO 4435
- //继承自CvSVM的类,因为生成setSVMDetector()中用到的检测子参数时,需要用到训练好的SVM的decision_func参数,
- //但通过查看CvSVM源码可知decision_func参数是protected类型变量,无法直接访问到,只能继承之后通过函数访问
- 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;
- }
- };
- 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
- //若TRAIN为true,重新训练分类器
- if(TRAIN)
- {
- string ImgName;//图片名(绝对路径)
- ifstream finPos("INRIAPerson96X160PosList.txt");//正样本图片的文件名列表
- //ifstream finPos("PersonFromVOC2012List.txt");//正样本图片的文件名列表
- ifstream finNeg("NoPersonFromINRIAList.txt");//负样本图片的文件名列表
- Mat sampleFeatureMat;//所有训练样本的特征向量组成的矩阵,行数等于所有样本的个数,列数等于HOG描述子维数
- Mat sampleLabelMat;//训练样本的类别向量,行数等于所有样本的个数,列数等于1;1表示有人,-1表示无人
- //依次读取正样本图片,生成HOG描述子
- for(int num=0; num<PosSamNO && getline(finPos,ImgName); num++)
- {
- cout<<"处理:"<<ImgName<<endl;
- //ImgName = "D:\\DataSet\\PersonFromVOC2012\\" + ImgName;//加上正样本的路径名
- ImgName = "D:\\DataSet\\INRIAPerson\\INRIAPerson\\96X160H96\\Train\\pos\\" + ImgName;//加上正样本的路径名
- Mat src = imread(ImgName);//读取图片
- if(CENTRAL_CROP)
- src = src(Rect(16,16,64,128));//将96*160的INRIA正样本图片剪裁为64*128,即剪去上下左右各16个像素
- //resize(src,src,Size(64,128));
- vector<float> descriptors;//HOG描述子向量
- hog.compute(src,descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8)
- //cout<<"描述子维数:"<<descriptors.size()<<endl;
- //处理第一个样本时初始化特征向量矩阵和类别矩阵,因为只有知道了特征向量的维数才能初始化特征向量矩阵
- if( 0 == num )
- {
- DescriptorDim = descriptors.size();//HOG描述子的维数
- //初始化所有训练样本的特征向量组成的矩阵,行数等于所有样本的个数,列数等于HOG描述子维数sampleFeatureMat
- sampleFeatureMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, DescriptorDim, CV_32FC1);
- //初始化训练样本的类别向量,行数等于所有样本的个数,列数等于1;1表示有人,0表示无人
- sampleLabelMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, 1, CV_32FC1);
- }
- //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat
- for(int i=0; i<DescriptorDim; i++)
- sampleFeatureMat.at<float>(num,i) = descriptors[i];//第num个样本的特征向量中的第i个元素
- sampleLabelMat.at<float>(num,0) = 1;//正样本类别为1,有人
- }
- //依次读取负样本图片,生成HOG描述子
- for(int num=0; num<NegSamNO && getline(finNeg,ImgName); num++)
- {
- cout<<"处理:"<<ImgName<<endl;
- ImgName = "D:\\DataSet\\NoPersonFromINRIA\\" + ImgName;//加上负样本的路径名
- Mat src = imread(ImgName);//读取图片
- //resize(src,img,Size(64,128));
- vector<float> descriptors;//HOG描述子向量
- hog.compute(src,descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8)
- //cout<<"描述子维数:"<<descriptors.size()<<endl;
- //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat
- for(int i=0; i<DescriptorDim; i++)
- sampleFeatureMat.at<float>(num+PosSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素
- sampleLabelMat.at<float>(num+PosSamNO,0) = -1;//负样本类别为-1,无人
- }
- //处理HardExample负样本
- if(HardExampleNO > 0)
- {
- ifstream finHardExample("HardExample_2400PosINRIA_12000NegList.txt");//HardExample负样本的文件名列表
- //依次读取HardExample负样本图片,生成HOG描述子
- for(int num=0; num<HardExampleNO && getline(finHardExample,ImgName); num++)
- {
- cout<<"处理:"<<ImgName<<endl;
- ImgName = "D:\\DataSet\\HardExample_2400PosINRIA_12000Neg\\" + ImgName;//加上HardExample负样本的路径名
- Mat src = imread(ImgName);//读取图片
- //resize(src,img,Size(64,128));
- vector<float> descriptors;//HOG描述子向量
- hog.compute(src,descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8)
- //cout<<"描述子维数:"<<descriptors.size()<<endl;
- //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat
- for(int i=0; i<DescriptorDim; i++)
- sampleFeatureMat.at<float>(num+PosSamNO+NegSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素
- sampleLabelMat.at<float>(num+PosSamNO+NegSamNO,0) = -1;//负样本类别为-1,无人
- }
- }
- 输出样本的HOG特征向量矩阵到文件
- //ofstream fout("SampleFeatureMat.txt");
- //for(int i=0; i<PosSamNO+NegSamNO; i++)
- //{
- // fout<<i<<endl;
- // for(int j=0; j<DescriptorDim; j++)
- // fout<<sampleFeatureMat.at<float>(i,j)<<" ";
- // fout<<endl;
- //}
- //训练SVM分类器
- //迭代终止条件,当迭代满1000次或误差小于FLT_EPSILON时停止迭代
- CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 1000, FLT_EPSILON);
- //SVM参数:SVM类型为C_SVC;线性核函数;松弛因子C=0.01
- CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria);
- cout<<"开始训练SVM分类器"<<endl;
- svm.train(sampleFeatureMat, sampleLabelMat, Mat(), Mat(), param);//训练分类器
- cout<<"训练完成"<<endl;
- svm.save("SVM_HOG.xml");//将训练好的SVM模型保存为xml文件
- }
- else //若TRAIN为false,从XML文件读取训练好的分类器
- {
- svm.load("SVM_HOG_2400PosINRIA_12000Neg_HardExample(误报少了漏检多了).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++)
- {
- //cout<<pData[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;
- }
- /**************读入图片进行HOG行人检测******************/
- //Mat src = imread("00000.jpg");
- //Mat src = imread("2007_000423.jpg");
- Mat src = imread("1.png");
- 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];
- 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();//注意:imshow之后必须加waitKey,否则无法显示图像
- /******************读入单个64*128的测试图并对其HOG描述子进行分类*********************/
- 读取测试图片(64*128大小),并计算其HOG描述子
- Mat testImg = imread("person014142.jpg");
- //Mat testImg = imread("noperson000026.jpg");
- //vector<float> descriptor;
- //hog.compute(testImg,descriptor,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8)
- //Mat testFeatureMat = Mat::zeros(1,3780,CV_32FC1);//测试样本的特征向量矩阵
- 将计算好的HOG描述子复制到testFeatureMat矩阵中
- //for(int i=0; i<descriptor.size(); i++)
- // testFeatureMat.at<float>(0,i) = descriptor[i];
- 用训练好的SVM分类器对测试图片的特征向量进行分类
- //int result = svm.predict(testFeatureMat);//返回类标
- //cout<<"分类结果:"<<result<<endl;
- system("pause");
- }
结果:
(1) 1500个INRIA正样本,2000个负样本,结果误报太多:
(2) 2400个INRIA正样本,12000个负样本,结果表明负样本增多后误报明显减少,但依然有不少误报:
(3)2400个INRIA正样本,12000个负样本 + 4435个用(2)中的分类器在负样本原图上检测出来的Hard Example,
结果误报明显减少,几乎没有误报了,但同时漏检率增加:
上图中的两个小女孩都没有被检测出来
(4)下面是OpenCV中HOG检测器的默认SVM参数的结果,OpenCV自带的SVM参数也是用INRIA数据集训练得到的:
上图中的两个小女孩用OpenCV默认SVM参数也检测不出来。
所以感觉要想效果好的话,还应该加大正样本的个数。
参考: http://blog.csdn.net/carson2005/article/details/7841443
源码下载,环境为VS2010 + OpenCV2.4.4
http://download.csdn.net/detail/masikkk/6547973
1500个INRIA正样本,2000个负样本训练好的SVM下载(XML文件):http://pan.baidu.com/s/18CCos
2400个INRIA正样本,12000个负样本训练好的SVM下载(XML文件):http://pan.baidu.com/s/1gmudL
2400个INRIA正样本,12000个负样本 + 4435个用(2)中的分类器在负样本原图上检测出来的Hard Example 训练好的SVM下载(XML文件):http://pan.baidu.com/s/126Yoc
转自:http://blog.csdn.net/masibuaa/article/details/16105073
SVM分类器训练的HOG行人检测相关推荐
- HOG人体特征提取+SVM分类器训练进行人体检测
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 ...
- HALCON示例程序train_characters_ocr.hdev使用SVM分类器训练字体
HALCON示例程序train_characters_ocr.hdev使用SVM分类器训练字体 小哥哥小姐姐觉得有用点个赞呗! 示例程序源码(加注释) 蓝色字体均为算子解释链接,可以前往查看解答 关于 ...
- 人脸识别之Hog特征+SVM分类器训练与使用
原文来自:https://juejin.im/post/5b0e70686fb9a00a1451c8e7 计算机视觉-人脸识别(Hog特征+SVM分类器) 一.SVM支持向量机 1.SVM原理 在机器 ...
- hog 行人检测 matlab,hog+svm_行人检测matlab程序
转自: hog+svm_行人检测matlab程序[仅供大家理解用] 关于这个matlab程序,需要说明的是: 1.检测时的运行速度超级慢,以16个像素作为扫描时的步长,从1000*1000的大图里检测 ...
- HOG行人检测 如何制作样品
原文链接:http://blog.csdn.net/Armily/article/details/8333836 如何制作训练样本 分析了原作者的数据集,结合网上一些资料,下面描述如何制作训练样本 1 ...
- HOG 行人检测 学习体会(如何制作训练样本)
转自:http://www.opencv.org.cn/forum/viewtopic.php?f=1&t=9146#p35176 如何制作训练样本 分析了原作者的数据集,结合网上一些资料,下 ...
- 【OpenCV流程+代码分析】Opencv HOG行人检测 源码分析
[原文:http://blog.csdn.net/ttransposition/article/details/11874285] OpenCV demo演示见本人的另一篇灌水博客 http://bl ...
- 【模型训练】YOLOv7行人检测
YOLOv7行人检测 1.YOLOv7算法行人检测模型训练 2.YOLOv7模型模型评估 3.模型和数据集下载 1.本项目采用YOLOv7算法实现对行人的检测和识别,在一万多张行人检测数据集中训练得到 ...
- svm分类器训练详细步骤_「五分钟机器学习」向量支持机SVM——学霸中的战斗机...
大家好,我是爱讲故事的某某某. 欢迎来到今天的[五分钟机器学习]专栏内容 --<向量支持机SVM> 今天的内容将详细介绍SVM这个算法的训练过程以及他的主要优缺点,还没有看过的小伙伴欢迎去 ...
最新文章
- oracle控制文件发生坏块,控制文件坏块处理方法
- linux前10ip,检查网口流量与前10名流量大IP
- 实录分享 | 计算未来轻沙龙:对话系统研究进展(视频 + PPT)
- java中contains的用法_java容器中所有接口和类的用法
- 基于SpringCloud的分布式事务框架(LCN)
- Vue computed参数与各生命周期关系(主要是异步的时候)
- python 等值线图_python – matplotlib等值线图:对数刻度的比例色度级
- (27)FPGA面试技能提升篇(UVM、VMM)
- Mind+实时模式智能问答机器人
- UIPageViewController用法
- Singular Value Decomposition(SVD)--奇异值分解【转】
- IOS APP 上传到AppStore
- 去除android或者iOS系统默认的一些样式总结
- Android中的Builder模式
- 【无线网络技术专题(十一)】无线网络常用软件与工具大全
- 保姆级windows下mysql数据库安装教程
- 一文讲清跨境S2B2C模式及线上品牌/新零售品牌实战打法
- 我们为什么教不好自己的孩子?(云中逸客)
- 在Mac的“邮件”中创建和使用电子邮件签名使用教程
- ubuntu 启动、退出 startx界面
热门文章
- 以梦为马,不负韶华 这才是后浪该有的样子!
- 让你的部属“跑起来”的十大方法
- 多益网络社招iq_【多益网络社招offer大概多久下来啊?】-看准网
- windows 7系统安装虚拟机及在虚拟机上安装ubuntu(linux)操作系统
- 【笨嘴拙舌WINDOWS】消息机制
- 充电桩动态管理系统java_一种充电桩管理系统及其使用方法
- vmware安装redhat7.0虚拟机没有找到gcc命令的经验
- 什么是高可用?高可用介绍:
- 秋季 工程伦理 网络课程 第一章
- web api 数独 求解代码 使用穷举回溯法