SVM+HOG：训练分类器生成.xml文件

Github：
https://github.com/icsfy/Pedestrian_Detection/blob/master/MORE.md

转载：http://blog.csdn.net/masibuaa/article/details/16105073

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)。http://blog.csdn.net/gojawee/article/details/72828371

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。
http://blog.csdn.net/GoJawee/article/details/72845508

训练和检测的代码：

#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 true    //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  0    


//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