利用SVM训练自己的XML文件

在人脸检测中，我们一般利用训练好的XML文件去预测图像中是否存在人脸，那么XML文件是如何得到的，按照人脸的XML文件，它应该是提取样本的Haar特征，利用某个机器学习方法，最终得到的。本文主要讨论如何得到自己的XML文件。 

 在机器学习中，首先应该是采集样本，然后提取他们的特征，本人主要利用HOG特征进行实验。

1、采集样本图像（正样本和负样本），将其归一化到一个的尺度，如48X48.

2、将样本图像的名称写到一个TXT文件，方便程序调用.

3、依次提取每张图像的HOG特征向量.

4、利用SVM进行训练.

5、得到XML文件

具体代码如下：

HOG特征向量计算方法：

利用矩形HOG结构，2×2个cell组成一个block块，每个cell由8×8像素的图像区域组成，步长N为8，而每个cell的梯度方向从0⁰-360⁰分成9个方向块。对于0⁰-180⁰的方向均匀投影到9个方向块，比如0⁰-20⁰投影到a₁块，20⁰-40⁰投影到a₂块。也就是说每个cell要对9维的特征进行梯度幅度投影，形成9维的特征向量，block内的四个cell独立产生9维的特征向量，计算某个cell的特征向量时，投影的时候同一个block内的另外三个cell中的像素也要对这个cell的特征向量进行投影，投影的权重使用三线性插值方法，这样在48×48的图片大小下，利用公式

其中W为图片的宽，H为图片的高，wb和hb为block的宽与高，stride为cell的大小，bins为投影的区块，n为一个block中包含的cell的个数。就产生900维的特征向量。

//extract the hog feature from images从图像中提取hog特征 //

 

#define HOG_VECTOR 900      // 图像HOG特征向量  ((48-16)/8 + 1)*(48-16)/8 + 1)*9*4=900

#define TRAIN_IMG_NUM 800  //总共的样本（图像）数

 

HOGDescriptor   hog(cvSize(48,48),cvSize(16,16),cvSize(8,8), cvSize(8,8),9,1,-1,HOGDescriptor::L2Hys,

0.2,false,HOGDescriptor::DEFAULT_NLEVELS);           //初始化HOG描述符

vector<float>descrip;

vector<float>totaldescrip(HOG_VECTOR*TRAIN_IMG_NUM);   //将所有HOG特征向量保存在vector中

vector<float>::iterator  pos;

pos = totaldescrip.begin();

int ImageNum=0;

Mat img;

FILE* f = "pictures.txt"; //存放样本图像

char  _filename[1024];

 

   for (;;)

        {

            char* filename = _filename;

            if(f)

            {

                if(!fgets(filename, (int)sizeof(_filename)-2, f))

                    break;

                //while(*filename && isspace(*filename))

                //  ++filename;

                if(filename[0] == '#')

                    continue;

                int l = strlen(filename);

                while(l > 0 && isspace(filename[l-1]))

                    --l;

                filename[l] = '\0';

                img = imread(filename);

            }

            printf("%s:\n", filename);

            if(!img.data)

                continue;

     

            fflush(stdout);

            hog.compute(img,descrip);    //计算每幅图像的HOG特征向量

     

            vector<float>::iterator iter;

            for (iter=descrip.begin();iter!=descrip.end();iter++,pos++)

            {

                *pos=*iter;

            }

        }

 

            float* buf2=&totaldescrip[0];

            Mat data_mat(TRAIN_IMG_NUM,HOG_VECTOR,CV_32FC1,buf2);

 

            //将图像标记为两类：1->正样本；2->负样本

            Mat res_mat=Mat::ones(TRAIN_IMG_NUM,1,CV_32SC1);

            for (int k=400;k<800;k++)

            {

                res_mat.at<unsigned int>(k, 0)=2;

            }

                  //利用SVM进行训练,生成XML文件

            TermCriteria criteria; 

            SVM svm = SVM (); 

            SVMParams param;

            criteria = cvTermCriteria (CV_TERMCRIT_EPS, 1000, FLT_EPSILON); 

            param = SVMParams (SVM::C_SVC, SVM::LINEAR, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria); 

            svm.train(data_mat,res_mat,Mat(), Mat(), param);

            svm.save ("svm_image.xml");

 

预测代码：

hog.compute(img,descrip3);

                   float* buf3=&descrip3[0];

                   Mat hog_data_mat(1,900,CV_32FC1,buf3);

                   SVM svm_hog=CvSVM();

                   svm_hog.load("svm_image.xml");

                   float index=0.;

                    index=svm_hog.predict(hog_data_mat);

                    cout<<"index="<<index<<endl;