Hog SVM 车辆识别

HOG SVM 车辆检测

　　近期需要对卡口车辆的车脸进行检测，首先选用一个常规的检测方法即是hog特征与SVM，Hog特征是由dalal在2005年提出的用于道路中行人检测的方法，并且取的了不错的识别效果。在人脸检测方面目前主流的方法，先不考虑复杂的深度学习，大多采用Haar和Adaboost的手段来实现。我接下来将会用着两种方法来实现对卡口的车辆检测。
　　首先引出 Hog特征，Hog特征是梯度方向直方图，是一种底层的视觉特征，主要描述的是图像中的梯度分布情况，而梯度分布信息主要是集中在图像中不同内容之间的边界之处，可以较好的反应图像的基本轮廓面貌。在此处并不展开对描述子的详细介绍，给出一个我当时看的博客链接，对描述子原理分析的比较透彻。hog特征原理

接下来将整个特征提取、训练、检测的流程：
1.首先是准备训练样本，分别是正样本和负样本以及测试样本。正负样本一般来说负样本最好是正样本的2-3倍比较好，覆盖面不要是乱七八糟的图像，要贴合实际应用时的场景来选取，样本对训练过程很重要，很重要，很重要，不要以为随随便便弄一些照片就OK。
2.在程序中导入测试样本，分别提取相应的Hog特征，这个地方我有两点要说明
　　**2.1．样本的尺度要正则化，也就是样本的尺寸要一样，这样可以排除训练样本尺度对模型训练的影响，在正则化的时候，尽量是不要改变其比例。
　　2.2．在hog特征描述子初始化的时候，需要设置窗口大小，块大小，块滑动大小，以及细胞大小和直方图相应的bin的数目，窗口大小要和输入的训练样本的尺寸一样。**
3.提取正负样本的hog特征，我在这里采用的是128*128的规模，是正方形的车脸，描述子规模是8100维。
4.SVM采用opencv中自带的，其实opencv中采用的也是某一个版本的LIBSVM，只是重新封装了借口的操作而已。
5.在SVM处，需要注意的是如果之后你要用SVM中自带的detector，也就是用setSVMDetector的话，这个检测器已经是写好了的转门用了处理线性核训练的模型，因为当时dalal用的就是Hog与线性的SVM特征，而且opencv自带的只支持线性的，如果你要用高斯特征即RBF核，不可以采用setSVMDetector，你用了就会出错，根本检测不到真实的位置，这里非常关键，你如果要做分类的话可以直接调用predict,但此处应该只是对车脸与非车脸做，而不是在一张图中找出车脸，如果你要找出目标物，需要自己写相应的detector，来应用你训练好的模型！！！！！*
6在检测时，检测窗口的大小必须和训练样本的尺寸是一样的，就是训练时的Hog窗口大小和检测时Hog窗口大小必须保持一致，剩下的就是检测过程中看看没有没嵌套什么的，OK，一下是代码

#include<opencv/cv.h>
#include<opencv2/core/core.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/opencv.hpp>
#include<opencv2/gpu/gpu.hpp>
#include<opencv2/ml/ml.hpp>
#include<opencv2/objdetect/objdetect.hpp>
#include<iostream>
#include<fstream>
#include<string>
#include<vector>
using namespace std;
using namespace cv;


#define TRAIN//开关控制是否训练还是直接载入训练好的模型

class MySVM: public CvSVM
{
public:
    double * get_alpha_data()
    {
        return this->decision_func->alpha;
    }
    double  get_rho_data()
    {
        return this->decision_func->rho;
    }
};

void main(int argc, char ** argv)
{

    MySVM SVM;
    int descriptorDim;

    string buffer;
    string trainImg;
    vector<string> posSamples;
    vector<