opencv3+ hog+svm前车识别，代码里有acfdetection的，但是效果不好

最新推荐文章于 2018-05-31 22:35:13 发布
最新推荐文章于 2018-05-31 22:35:13 发布
阅读量3k 收藏 6
点赞数 2
分类专栏： 项目相关 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cai13160674275/article/details/68924843
版权

直接上代码把，利用opencv的hog和svm的库函数实现识别，在我的数据集下正确率95%以上

训练，save参数和load，load有一些问题SVM前缀不行，得用StatModel，注意大小写，谷歌说opencv3+不用线性核load会出问题，说是opencv的bug，我没试过，大佬可以试试用其他核

#ifdef TRAIN
	// SVM::Params params;
	// params.svmType = SVM::C_SVC;
	// params.kernelType = SVM::POLY;
	// params.gamma = 3;
	// Ptr<SVM> svm = SVM::create(params);

	Mat train_data;
    Mat train_label;
    read_num_class_data(&train_data,&train_label,num);
	Ptr<SVM> svm = SVM::create(); 
	svm->setType(SVM::C_SVC);    //设置svm类型
    //svm->setKernel(SVM::POLY); //设置核函数;
	svm->setKernel(SVM::LINEAR);
	/*these param can be ignore 
	// // libsvm参数说明:http://blog.csdn.net/changyuanchn/article/details/7540014
	// // svm->setDegree(0.5);
	// // svm->setGamma(1);
	// // svm->setCoef0(1);
	// // svm->setNu(0.5);
	// // svm->setP(0);
	// // svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS, 1000, 0.01));
	
	// 	// setTermCriteria是用来设置算法的终止条件， 
	// 	// SVM训练的过程就是一个通过 迭代 方式解决约束条件下的二次优化问题，
	// 	// 这里我们指定一个最大迭代次数和容许误差，以允许算法在适当的条件下停止计算
	
	//  //svm->setC(1);
	*/

	Ptr<TrainData> tData = TrainData::create(train_data, ROW_SAMPLE, train_label);
	//svm->trainAuto(tData);  
	svm->train(tData);
	svm->save("mysvm.xml");//文件形式为xml，可以保存在txt或者xml文件中
	cout<< svm->getVarCount()<<endl;//获取SVM支持向量的维数
	// // svm->getSupportVectors;//返回Mat类型，获取SVM的支持向量
	
#else
	// Ptr<SVM> svm1 = SVM::create();
	// SVM::load<SVM>("mysvm.xml");
	Ptr<ml::SVM> svm1 = StatModel::load<SVM>("mysvm.xml");
	//svm=SVM::load<SVM>("mysvm.xml");
    //cout<<svm->getVarCount()<<endl;//获取SVM支持向量的维数
#endif

预测就是一句话

float r = svm1->predict(featureVector);



整体代码

#include <iostream>
#include <string>
#include <fstream>
#include <stdio.h>
#include <stdlib.h>
//OpenCV include
#include <opencv2/opencv.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <ml.h>

using namespace std;
using namespace cv;
using namespace cv::ml;
static const Size trainingPadding = Size(0, 0);
//static const Size winStride = Size(8, 8);
static const Size winStride = Size(64, 64);


bool read_num_class_data(Mat* _data, Mat* _responses,int num){
	int icount=0;
	_data->release();
    _responses->release();
    vector<int >train_label;
    vector< vector<float > > train_data;
	for (int count = 0; icount < num ; ++count)
	//while (count<100)
	{
		//capture>>im;
		 char str[100];
		 sprintf(str,"/home/cx/Videos/data/vehicles/KITTI_extracted/%d.png",count);
		Mat im = imread(str,1);
		if(im.empty()){
			//cout <<"loading image failed"<< endl; 
			continue;
			//return 0;
		}
		icount++;
		Mat luvImage;

		Mat imageData;
    	cvtColor(im, imageData, CV_RGB2GRAY);		

		//hog
		HOGDescriptor hog;
		//HOGDescriptor hog(cvSize(64,64),cvSize(64,64),cvSize(64,64),cvSize(64,64),9); // Use standard parameters here
    	hog.winSize = Size(64, 64); // Default training images size as used in paper

    	//calculateFeaturesFromInput(currentImageFile, featureVector, hog);
    	vector<float> featureVector;
	    // Check for mismatching dimensions
	    if (imageData.cols != hog.winSize.width || imageData.rows != hog.winSize.height) {
	        featureVector.clear();
	        //printf("Error: Image '%s' dimensions (%u x %u) do not match HOG window size (%u x %u)!\n", imageFilename.c_str(), imageData.cols, imageData.rows, hog.winSize.width, hog.winSize.height);
	        return 1;
	    }
	    //hog detect
	    vector<Point> locations;
	    hog.compute(imageData, featureVector, winStride, trainingPadding, locations);
	    


	 //    Mat edge;
	 //    Canny(imageData,edge,70,200,3);
	 //    for (int i=0;i<im.rows;i++){
		// 	for (int j=0;j<im.cols;j++){
		// 		File_vector<<edge.at<uchar>(j,i)/255.0 <<" ";
		// 	}
		// }
	    //Sobel(imageData,edge,imageData.depth(),1,1);

	 //    cvtColor(im, luvImage, CV_RGB2Luv); 
		// vector<Mat> mv;  
		// split(im,mv);
		// fstream f("test");
		// f.open("test.dat", ios::out);
		// f<<mv[2]<<endl;
		// for (int k=0;k<3;k++){
		// 	for (int i=0;i<im.rows;i++){
		// 		for (int j=0;j<im.cols;j++){
		// 			File_vector<<mv[k].at<uchar>(j,i)/255.0 <<" ";
		// 		}
		// 	}
		// }

	    //myluv
		// uchar *tmp = mat2uchar(im);
		// int dim0, dim1, dim2;
		// float *I = rgbConvert(tmp, im.rows, im.cols, im.channels(), dim0, dim1, dim2, "luv");
		// int nr=im.rows;
		// int nc=im.cols;
		// for (int i = 0; i < im.channels(); i++){
		// 	for (int j = 0; j <im.rows; j++){
		// 		for (int k = 0; k < im.cols; k++){
		// 			File_vector << I[i*nr*nc + j*nc + k] << " ";
		// 		}
		// 	}
		// }
		// wrFree(I);
		//File_vector<<endl;

		train_data.push_back(featureVector);
	    train_label.push_back(1);
	}

	icount=0;
	for (int count = 0; icount < num ; ++count)
	//while (count<100)
	{
		//capture>>im;
		 char str[100];
		 //sprintf(str,"/home/cx/Videos/data/vehicles/KITTI_extracted/%d.png",count);
		 //sprintf(str,"/home/cx/Desktop/Vehicle_test/pyramid_test/pic/%d.png",count);
		 sprintf(str,"/home/cx/Videos/data/non-vehicles/Extras/extra%d.png",count);
		 //sprintf(str,"/home/cx/Videos/data/vehicles/GTI_MiddleClose/image%04d.png",count);
		 //sprintf(str,"/home/cx/Videos/2011_09_26/2011_09_26_drive_0027_sync/image_02/data/%010d.png",count);
		Mat im = imread(str,1);
		if(im.empty()){
			//cout <<"loading image failed"<< endl; 
			continue;
			//return 0;
		}
		icount++;
		Mat luvImage;

		Mat imageData;
    	cvtColor(im, imageData, CV_RGB2GRAY);		

		//hog
		HOGDescriptor hog;
		//HOGDescriptor hog(cvSize(64,64),cvSize(64,64),cvSize(64,64),cvSize(64,64),9); // Use standard parameters here
    	hog.winSize = Size(64, 64); // Default training images size as used in paper

    	//calculateFeaturesFromInput(currentImageFile, featureVector, hog);
    	vector<float> featureVector;
	    // Check for mismatching dimensions
	    if (imageData.cols != hog.winSize.width || imageData.rows != hog.winSize.height) {
	        featureVector.clear();
	        //printf("Error: Image '%s' dimensions (%u x %u) do not match HOG window size (%u x %u)!\n", imageFilename.c_str(), imageData.cols, imageData.rows, hog.winSize.width, hog.winSize.height);
	        return 1;
	    }
	    //hog detect
	    vector<Point> locations;
	    hog.compute(imageData, featureVector, winStride, trainingPadding, locations);
	    
	    
	 //    Mat edge;
	 //    Canny(imageData,edge,70,200,3);
	 //    for (int i=0;i<im.rows;i++){
		// 	for (int j=0;j<im.cols;j++){
		// 		File_vector<<edge.at<uchar>(j,i)/255.0 <<" ";
		// 	}
		// }
	    //Sobel(imageData,edge,imageData.depth(),1,1);

	 //    cvtColor(im, luvImage, CV_RGB2Luv); 
		// vector<Mat> mv;  
		// split(im,mv);
		// fstream f("test");
		// f.open("test.dat", ios::out);
		// f<<mv[2]<<endl;
		// for (int k=0;k<3;k++){
		// 	for (int i=0;i<im.rows;i++){
		// 		for (int j=0;j<im.cols;j++){
		// 			File_vector<<mv[k].at<uchar>(j,i)/255.0 <<" ";
		// 		}
		// 	}
		// }

	    //myluv
		// uchar *tmp = mat2uchar(im);
		// int dim0, dim1, dim2;
		// float *I = rgbConvert(tmp, im.rows, im.cols, im.channels(), dim0, dim1, dim2, "luv");
		// int nr=im.rows;
		// int nc=im.cols;
		// for (int i = 0; i < im.channels(); i++){
		// 	for (int j = 0; j <im.rows; j++){
		// 		for (int k = 0; k < im.cols; k++){
		// 			File_vector << I[i*nr*nc + j*nc + k] << " ";
		// 		}
		// 	}
		// }
		// wrFree(I);
		//File_vector<<endl;


		train_data.push_back(featureVector);
	    train_label.push_back(0);
	}

	srand((unsigned)time(0));
	for (int i=0;i<num*2;i++){
		int a=rand()%(num*2);
		int b=rand()%(num*2);
		swap(train_label[a],train_label[b]);
		swap(train_data[a],train_data[b]);
	}

	Mat(train_label).copyTo(*_responses);

	*_data=Mat::zeros(train_data.size(), train_data[0].size(), CV_32F);
	for (int i=0;i<train_data.size();i++){
		for (int j=0;j<train_data[0].size();j++){
			_data->at<float>(i,j)=train_data[i][j];
			//cout<<_data->at<float>(i,j)<<" "<<train_data[i][j]<<endl;
		}
	}
}

int main(int argc, char** argv)
{
	
	string pic;
	int count = 0;
    	int num = atoi(argv[1]); //the num of picture

	// VideoCapture capture(input_video_file);
 //    if ( !capture.isOpened() ) {
 //        cout << "video could not be opened" << endl;
 //        return -1;
 //    }

 //    double num_frames = capture.get(CV_CAP_PROP_FRAME_COUNT);
    Mat im;

    fstream File_vector;
    fstream File_label;


    clock_t start, end;
	start = clock();
		
	//vector<vector<float> > train_data;
	//vector<int > train_label;
	Mat train_data;
    Mat train_label;
    read_num_class_data(&train_data,&train_label,num);

	

	Ptr<SVM> svm = SVM::create(); 
	svm->setType(SVM::C_SVC);    //设置svm类型
    //svm->setKernel(SVM::POLY); //设置核函数;
	svm->setKernel(SVM::LINEAR);
	// svm->setDegree(0.5);
	// svm->setGamma(1);
	// svm->setCoef0(1);
	// svm->setNu(0.5);
	// svm->setP(0);
	// svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS, 1000, 0.01));
	svm->setC(1);
	Ptr<TrainData> tData = TrainData::create(train_data, ROW_SAMPLE, train_label);
	svm->train(tData);

	Mat sample1 = train_data.row(0);
	//cout<<sample1.rows<<endl;
	int icount=0;
	int ans=0;
	for (int count = 0; icount < num ; ++count){
		//capture>>im;
		 char str[100];
		 //sprintf(str,"/home/cx/Videos/data/vehicles/KITTI_extracted/%d.png",count+1000);
		 //sprintf(str,"/home/cx/Desktop/Vehicle_test/pyramid_test/pic/%d.png",count);
		 sprintf(str,"/home/cx/Videos/data/non-vehicles/Extras/extra%d.png",count+1000);
		 //sprintf(str,"/home/cx/Videos/data/vehicles/GTI_MiddleClose/image%04d.png",count);
		 //sprintf(str,"/home/cx/Videos/2011_09_26/2011_09_26_drive_0027_sync/image_02/data/%010d.png",count);
		Mat im = imread(str,1);
		if(im.empty()){
			continue;
		}
		icount++;
		Mat luvImage;

		Mat imageData;
    	cvtColor(im, imageData, CV_RGB2GRAY);		

		//hog
		HOGDescriptor hog;
		//HOGDescriptor hog(cvSize(64,64),cvSize(64,64),cvSize(64,64),cvSize(64,64),9); // Use standard parameters here
    	hog.winSize = Size(64, 64); // Default training images size as used in paper

    	//calculateFeaturesFromInput(currentImageFile, featureVector, hog);
    	vector<float> featureVector;
	    // Check for mismatching dimensions
	    if (imageData.cols != hog.winSize.width || imageData.rows != hog.winSize.height) {
	        featureVector.clear();
	        //printf("Error: Image '%s' dimensions (%u x %u) do not match HOG window size (%u x %u)!\n", imageFilename.c_str(), imageData.cols, imageData.rows, hog.winSize.width, hog.winSize.height);
	        return 1;
	    }
	    //hog detect
	    vector<Point> locations;
	    hog.compute(imageData, featureVector, winStride, trainingPadding, locations);
	    //Mat sample(featureVector);
	    //cout<<sample.rows<<endl;
	    float r = svm->predict(featureVector);
        if (r==0) ans++;
	}

	cout<<ans<<endl;

	end = clock();
	printf("time=%f\n", (double)(end - start) / CLOCKS_PER_SEC);

	//release_data(det25);
	return 0;
}


基于OpenCV实现的HOG+SVM自定义对象识别
thequitesunshine007的博客
01-08 2159
1，前言 该案例是很久以前的购买的网课学习课程，最近突然想起来了就实现记录一下。在深度学习逐渐流向的今天，HOG+SVM自定义对象识别的用武之地可能不是很大了，但是在固定场景下，自定义对象如果在图像中的大小较为恒定的情况下，这种办法只需要较少的数据集即可实现不错的识别效果。评价某算法的作用要结合特定的场景，脱离场景谈作用是不太客观的。 2，HOG特征 HOG与SIFT的区别 HOG和SIFT都是描述子，以及由于在具体操作上有很多相似的步骤，所以致使很多人误认为HOG是SIFT的一种，其实...
Opencv3.0 手写数字识别（Hog特征+SVM分类器）
06-01
在本文中，我们将深入探讨如何使用OpenCV 3.0库进行手写数字识别，主要依赖于HOG（Histogram of Oriented Gradients）特征和SVM（Support Vector Machine）分类器。手写数字识别是计算机视觉领域的一个经典问题，...
使用opencv的SVM实现车牌区域识别
AP1005834的博客
05-04 9225
一、前言 本文仅仅演示使用opencv2.4.6中已经定义好的SVM函数实现对车牌区域正负样本的训练，然后使用训练好的SVM模型对测试样本进行预测。 二、所使用的正负样本 首先我将一系列图片进行图像预处理、分割等一系列步骤，这部分内容可以参看《深入理解opencv 使用计算机视觉项目解析》，这样从中挑选出100个正样本（车牌区域）和70个负样本（非车牌区域），大小均为144*33，分
OpenCV3.0 HOG+SVM行人检测器
maweifei的博客
06-13 1893
介绍什么的请参考:利用Hog特征和SVM分类器进行行人检测我只说一下Opencv3.0里面，需要注意的地方。  本人接触OpenCV很短的时间，新手。 OpenCV3.0相比2.X，接口更加清晰，还是有很大的改动的。  主要有几个需要注意的地方：  1. sampleLabelMat的数据类型必须为有符号整数型。  2. 加载已经训练好的分类器，需要注意：  svm = SVM::
OpenCV自学笔记17. 基于SVM和神经网络的车牌识别（一）
热门推荐
两鬓已不能斑白的专栏
07-18 1万+
基于SVM和神经网络的车牌识别（一） 本系列文章参考自《深入理解OpenCV实用计算机视觉项目解析》仅作学习用途 图像预处理 本篇用到的测试图片为： Step1. 首先，读入并显示图像，代码如下： string in = "images/2715DTZ.jpg"; Mat image = imread(in, IMREAD_GRAYSCALE); // IMREAD_GRAYSCAL
opencv3.2 hog训练
无左无右的博客
04-12 861
本次是在一格长条上面训练"通过"关键词,我只准备了100多张样本,然后用起来的效果不是很好,没有耐心搞好多样本,不知道是不是样本量过少,还是其他问题,先把能跑的代码粘这里:注意一开始运行是报错的,因为pro里面木有添加相关库 pro如下:OPENCV_ROOT_PATH = /home/yhl/software INCLUDEPATH += $${OPENCV_ROOT_PATH}/include...
VS2013+OPENCV2.4.10 提取HOG特征使用SVM多分类手势识别
05-12
在本文中，我们将深入探讨如何使用Visual Studio 2013 (VS2013) 集成OpenCV 2.4.10库，提取Histogram of Oriented Gradients (HOG) 特征，并结合支持向量机（SVM）进行多分类手势识别。这是一个计算机视觉领域中的...
HOG+SVM代码
11-16
《基于OpenCV的HOG+SVM分类识别技术详解》 在计算机视觉领域，特征提取与分类是两个核心步骤。HOG（Histogram of Oriented Gradients，方向梯度直方图）是一种强大的局部特征描述符，而SVM（Support Vector Machine...
Opencv21下svm+hog特征训练路面车辆检测与识别.zip资源matlab opencv运动目标检测程序资料
04-21
Opencv21下svm+hog特征训练路面车辆检测与识别.zip资源matlab opencv运动目标检测程序资料Opencv21下svm+hog特征训练路面车辆检测与识别.zip资源matlab opencv运动目标检测程序资料Opencv21下svm+hog特征训练路面...
SVM_HOG，opencv分类
09-29
SVM_HOG，opencv分类，供开发参考。
hog+svm性别识别源码
12-25
基于opencv 的hog+svm性别识别源码 ，其中文件夹中生成xml，可以直接使用。可以作为参考代码
OPENCV HOG特征+SVM分类器行人识别（从训练到识别）
07-11
代码注解详细，适合初学者读懂，压缩包内含两部程序，请仔细研读，OPENCV HOG特征+SVM分类器行人识别（从训练到识别）
基于聚合通道特征（ACF）的行人检测
07-30
基于聚合通道特征ACF的行人检测代码，代码使用opencv和vs开发，能够实现对图片中行人的检测，检测还可以，适合于对ACF特征的学习
基于python的行人与车辆检测和跟踪实现（HOG+SVM/HAAR）
04-28
博文：基于python的行人与车辆检测和跟踪实现（HOG+SVM/HAAR） 链接：https://blog.csdn.net/qq_38523834/article/details/89619697 文件里面有我提到的视频，cars.xml文件和myhaar.xml文件。需要的Python库在requirements.txt有提及： cmake==3.12.0 dlib==19.16.0 numpy==1.15.3 opencv-python==3.4.3.18 这些是最低版本，可以比这个高。我是用python3.6运行的。 没有安装dlib库的同学，注意在安装好所需库之后，需要自行下载一个.whl文件后才能用pip install dlib 安装成功哦。 相关下载链接在这个博文里：https://blog.csdn.net/wzx479/article/details/79890440
acfDetect检测流程
ture_dream的博客
03-09 7334
这周主要是看程序，通过上一周论文的阅读，对程序有了更深的理解。其次，我觉得熟悉作者的编程习惯也很重要。由于训练部分的程序运行不了，所以从检测部分入手。     主程序为acfDemoInria.m。在检测部分bbs=acfDetect(I,detector)为主要语句，bbs的输出是4个左边组成的边框位置信息和1个score数。 1，看acfDetect函数，函数分为两部分（run detec
OpenCV中的HOG+SVM在自动驾驶车辆检测中的应用实例
1lang
12-20 5169
车辆检测在车辆感知模块中是非常重要的功能，本节我们的目标如下： 在标记的图像训练集上进行面向梯度的直方图（HOG）特征提取并训练分类器线性SVM分类器 应用颜色转换，并将分箱的颜色特征以及颜色的直方图添加到HOG特征矢量中 对于上面两个步骤，不要忘记标准化您的功能，并随机选择一个用于训练和测试的选项 实施滑动窗口技术，并使用您训练的分类器搜索图像中的车辆
OpenCV3.2 HOG+SVM进行物体分类
推荐一个中二又不失优雅的名字
04-26 2915
利用HOG特征+SVM分类器进行物体分类
opencv3使用svm+hog训练数字
耶律大石的博客
05-31 4101
先暂时把opencv3的具有参考价值的文章放一下： 1、主要参考这个文章，但是他的是opencv2 文章名称： 使用 svm+hog 训练，检测手写数字：https://blog.csdn.net/weixin_37721518/article/details/74187127 2、这个是opencv3的，部分参考这个，也理解了一些参数如何修改https://blog.csdn.net/...
基于OpenCV与SVM+HOG特征的路面车辆检测与识别教程
资源摘要信息:"本资源为Opencv21版本下通过支持向量机（SVM）与方向梯度直方图（HOG）特征训练实现的路面车辆检测与识别的Matlab和OpenCV运动目标检测程序资料。这些资料为个人技术学习、项目参考和学生毕业设计提供...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值