HOG+SVM 自己制作训练样本+训练分类器

最新推荐文章于 2023-07-27 09:29:36 发布
最新推荐文章于 2023-07-27 09:29:36 发布
阅读量1.1w 收藏 33
点赞数 2

HOG+SVM 自己制作训练样本+训练分类器

2014年06月04日  ⁄ 综合 ⁄ 共 4388字 ⁄ 字号  小 中 大  ⁄ 评论关闭
id="cproIframe_u1788635_2" width="336" height="280" src="http://pos.baidu.com/acom?adn=3&at=231&aurl=&cad=1&ccd=32&cec=UTF-8&cfv=19&ch=0&col=zh-CN&conBW=0&conOP=1&cpa=1&dai=2&dis=0&ltr=https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3DmfMRR5AK05mASlDznS6yBdI2Mm1JO-wXOGHsrl5xj5sJKpbOo4gNuJP94E4fe0T5%26wd%3D%26eqid%3Dc0313fd7000b8696000000035640b42d&ltu=http%3A%2F%2Fwww.xuebuyuan.com%2F2039056.html&lu_161=0&lunum=6&n=83099053_cpr&pcs=1221x539&pis=10000x10000&ps=486x836&psr=1440x900&pss=1221x506&qn=18d92e1d16f5555c&rad=&rsi0=336&rsi1=280&rsi5=4&rss0=%23FFFFFF&rss1=%23FFFFFF&rss2=%230000ff&rss3=%23444444&rss4=%23008000&rss5=&rss6=%23e10900&rss7=&scale=&skin=tabcloud_skin_3&stid=5&td_id=1788635&titFF=%E5%AE%8B%E4%BD%93&titFS=12&titTA=left&tn=text_default_336_280&tpr=1447081065851&ts=1&version=2.0&xuanting=0&dtm=BAIDU_DUP2_SETJSONADSLOT&dc=2&di=u1788635&ti=HOG%2BSVM%20%E8%87%AA%E5%B7%B1%E5%88%B6%E4%BD%9C%E8%AE%AD%E7%BB%83%E6%A0%B7%E6%9C%AC%2B%E8%AE%AD%E7%BB%83%E5%88%86%E7%B1%BB%E5%99%A8%20%7C%20%E5%AD%A6%E6%AD%A5%E5%9B%AD&tt=1447081065836.46.62.62" align="center,center" marginwidth="0" marginheight="0" scrolling="no" frameborder="0" allowtransparency="true" style="margin: 0px; padding: 0px; border-width: 0px; background-color: transparent;">

      最近在做行人检测的项目，其中用到了HOG+SVM，SVM分类器用的是opencv自己提供的，但对于具体应用，该分类器可能并不适用。因此想到制作训练样本，并训练SVM分类器。

      步骤如下：

1、从原始图片生成样本
       对比INRIAPerson\INRIAPerson\Train\pos（原始图片），INRIAPerson\train_64x128_H96\pos（生成样本）可以发现，作者从原始图片裁剪出一些站立的人，要求该人不被遮挡，然后对剪裁的图片left-right reflect。以第一张图片为例crop001001，它剪裁了2个不被遮挡的人，再加上原照片，共3张，再加左右镜像，总共6张。

2、裁剪
　去网上下载基于opencv1.0的程序imageclipper.exe，它能够通过画矩形框自动对图片进行裁剪，自动生成文件名并保存在同一路径下新生成的imageclipper文件夹下。


3.改变图片大小
　 下载Acdsee软件，工具/批量旋转、翻转图像,可以对图像进行旋转和镜像，然后Resize，使图像缩放到同一尺寸


4.调用Hog+SVM训练样本

#include "cv.h"  
#include "highgui.h"  
#include <ml.h>  
#include <iostream>  
#include <fstream>  
#include <string>  
#include <vector>  
using namespace cv;  
using namespace std;  
  
  
int main(int argc, char** argv)    
{    
    vector<string> img_path;//输入文件名变量 
    vector<int> img_catg;  
    int nLine = 0;  
    string buf;  
    ifstream svm_data( "svmTrainSet.txt" );//首先，这里搞一个文件列表，把训练样本图片的路径都写在这个txt文件中，使用bat批处理文件可以得到这个txt文件   
    unsigned long n;  
  
    while( svm_data )//将训练样本文件依次读取进来  
    {  
        if( getline( svm_data, buf ) )  
        {  
            nLine ++;  
            if( nLine % 2 == 0 )//这里的分类比较有意思，看得出来上面的SVM_DATA.txt文本中应该是一行是文件路径，接着下一行就是该图片的类别，可以设置为0或者1，当然多个也无所谓 
            {  
                 img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，标志（0,1），注意这里至少要有两个类别，否则会出错  
            }  
            else  
            {  
                img_path.push_back( buf );//图像路径  
            }  
        }  
    }  
    svm_data.close();//关闭文件  
  
    CvMat *data_mat, *res_mat;  
    int nImgNum = nLine / 2; //读入样本数量 ，因为是每隔一行才是图片路径，所以要除以2 
    样本矩阵，nImgNum：横坐标是样本数量， WIDTH * HEIGHT：样本特征向量，即图像大小  
    data_mat = cvCreateMat( nImgNum, 1764, CV_32FC1 );  //这里第二个参数，即矩阵的列是由下面的descriptors的大小决定的，可以由descriptors.size()得到，且对于不同大小的输入训练图片，这个值是不同的
    cvSetZero( data_mat );  
    //类型矩阵,存储每个样本的类型标志  
    res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );  
    cvSetZero( res_mat );  
  
    IplImage* src; 
	string path;
    IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3);//需要分析的图片，这里默认设定图片是64*64大小，所以上面定义了1764，如果要更改图片大小，可以先用debug查看一下descriptors是多少，然后设定好再运行  
  
	 vector<float>descriptors;//结果数组  
	//开始搞HOG特征
    HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(8,8),cvSize(8,8),9);  //具体意思见参考<span class="wp_keywordlink" style="margin: 0px; padding: 0px; border: 0px; background-color: transparent;"><a target=_blank href="http://www.it-crazy.com/" title="文章" target="_blank" style="text-decoration: none; color: rgb(1, 150, 227);">文章</a></span>1,2     

    for( string::size_type i = 0; i != img_path.size(); i++ )  
    {  
            path=".\\TrainData\\"+img_path[i];
		    src=cvLoadImage(path.c_str(),1);  
            if( src == NULL )  
            {  
                cout<<" can not load the image: "<<img_path[i].c_str()<<endl;  
                continue;  
            }  
  
            cout<<" processing "<<img_path[i].c_str()<<endl;  
                 
            cvResize(src,trainImg);   //读取图片     
           
            hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算     
          
			cout<<"HOG dims: "<<descriptors.size()<<endl;  
            //CvMat* SVMtrainMat=cvCreateMat(descriptors.size(),1,CV_32FC1);  
            n=0;  
            for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)  
            {  
                cvmSet(data_mat,i,n,*iter);//把HOG存储下来  
                n++;  
            }  
                //cout<<SVMtrainMat->rows<<endl;  
            cvmSet( res_mat, i, 0, img_catg[i] );  
			//{
			//	vector<float>().swap(descriptors); //释放vector内存
			//}
            cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl; 
			cvReleaseImage( &src );
			src=NULL;
			
    }  
      
               
    CvSVM svm = CvSVM();//新建一个SVM    
    CvSVMParams param;//这里是参数
    CvTermCriteria criteria;    
    criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );    
    param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );    
   /*    
    SVM种类：CvSVM::C_SVC    
    Kernel的种类：CvSVM::RBF    
    degree：10.0（此次不使用）    
    gamma：8.0    
    coef0：1.0（此次不使用）    
    C：10.0    
    nu：0.5（此次不使用）    
    p：0.1（此次不使用）    
    然后对训练数据正规化处理，并放在CvMat型的数组里。    
                                                        */       
    //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆         
    svm.train( data_mat, res_mat, NULL, NULL, param );//训练啦    
    //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆     
    svm.save( "SVM_DATA.xml" );
    
 }

5.利用训练好的分类器进行测试

 //检测样本  
    IplImage *test;  
    vector<string> img_tst_path;  
    ifstream img_tst( "svmTestSet.txt" );//同输入训练样本，这里也是一样的，只不过不需要标注图片属于哪一类了
    while( img_tst )  
    {  
        if( getline( img_tst, buf ) )  
        {  
            img_tst_path.push_back( buf );  
        }  
    }  
    img_tst.close();  
  
  
  
    CvMat *test_hog = cvCreateMat( 1, 1764, CV_32FC1 );//注意这里的1764，同上面一样 
	CvMat* SVMtrainMat;
    char line[512];  
    ofstream predict_txt( "svmPredict.txt" );//把预测结果存储在这个文本中  
	CvSVM svm_hog;
	svm_hog.load("SVM_DATA.xml");

    for( string::size_type j = 0; j != img_tst_path.size(); j++ )//依次遍历所有的待检测图片  
    {  
        path=".\\TestData\\"+img_tst_path[j];
		test = cvLoadImage(path.c_str(), 1);  
        if( test == NULL )  
        {  
             cout<<" can not load the image: "<<img_tst_path[j].c_str()<<endl;  
               continue;  
         }  
          
        cvZero(trainImg);  
        cvResize(test,trainImg);   //读取图片     
       //vector<float>descriptors;//结果数组     
        hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算     
       
		cout<<"HOG dims: "<<descriptors.size()<<endl;  
       
		if (j==0)
		{
			SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1); 
		}		 
        n=0;  
        for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)  
            {  
                cvmSet(SVMtrainMat,0,n,*iter);  
                n++;  
            }  
  
        int ret = svm_hog.predict(SVMtrainMat);//获取最终检测结果，这个predict的用法见 OpenCV的文档 
		std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret ); 
		
		/*{
			vector<float>().swap(descriptors);
		}*/
        predict_txt<<line; 
		cvReleaseImage( &test );
		test=NULL;

    }  
    predict_txt.close();

完整代码及imageclipper.exe下载：http://download.csdn.net/detail/chlele0105/6324719

deep_learninger
关注
训练样本集的制作
tina的博客
04-01 3万+
在进行机器学习时，根据处理问题的不同，所需要的训练样本不同，并不是所有的训练样本都可以在网络上搜索到，所有，有时需要根据自己要解决的问题的实际需要，制作自己的样本数据集。 matlab是半自动制作样本训练集的一个较强大的工具。 1运行matlab自带的trainingImageLabeler函数 1.1运行trainingImageLabeler   程序会弹出training imag
SVM中用hog训练
gbz3300255的博客
11-07 253
只是加载数据的这块 自己做个记录 训练部分 Mat SrcImage=imread(files[i].c_str()); //Mat SrcImagex = SrcImage.reshape(1, 1); ///* Mat dst, dst_gray; resize(SrcImage,dst,Size(64,64))...
自己训练SVM分类器进行HOG行人检测
11-13
自己训练SVM分类器进行HOG行人检测. 环境为VS2010 + OpenCV2.4.4. 使用时请自行修改工程的include目录和lib目录配置。 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。 SVM使用的是OpenCV自带的CvSVM类。
计算机视觉—人脸识别（Hog特征+SVM分类器）（8）
weixin_34087301的博客
05-31 2748
一、SVM支持向量机 1、SVM原理 在机器学习，支持向量机的监督学习模型与相关的学习算法可以分析用于数据分类和回归分析。给定一组训练样例，每个训练样例被标记为属于两个类别中的一个或另一个，SVM训练算法建立一个模型，将新的例子分配给一个类别或另一个类别，使其成为非概率二元线性分类器（尽管方法如Platt缩放存在以在概率分类设置中使用SVM）。SVM模型是将这些例子表示为空间中的点的映射，以便将各...
hog+svm训练自己的分类器
热门推荐
zhangjunp3的博客
09-03 1万+
一、原理简述 HOG: 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。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征.  SVM: (Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识...
基于C++的通过HOG+SVM训练进行行人检测算法代码实现
04-19
本项目聚焦于使用C++编程语言实现基于HOG（Histogram of Oriented Gradients，方向梯度直方图）特征和SVM（Support Vector Machine，支持向量机）分类器的行人检测算法。下面将详细解释HOG特征提取、SVM模型训练以及...
hog+svm行人检测分类器训练
03-31
标题中的“hog+svm行人检测分类器训练”指的是在计算机视觉领域中，使用Histogram of Oriented Gradients（HOG）特征和Support Vector Machines（SVM）进行行人检测的训练过程。这一技术是图像处理和机器学习的经典...
hog.svm_hog_hogsvm_HOG+SVM_SVM小狮子_hog+SVM_
09-29
在这个特定的案例中，"hog.svm_hog_hogsvm_HOG+SVM_SVM小狮子_hog+SVM_"标题暗示了我们正在处理的是一个针对小狮子的分类任务。小狮子的图像可能具有丰富的纹理和形状变化，这使得HOG特征尤为适用。 在"hog.svm.py...
自己hog+svm训练过程
07-17
C++2013+OpenCV2413环境下，自己训练svm分类器包括一些测试图片以及测试结果 刚开始实验样本量不是很多 亲测有效 现在想进行视频行人检测 有大神可以留下联系方式 有问题请教
HOG+SVM图像分类算法
07-24
基于HOG+SVM的图像分类算法，训练集和测试集根据自己的需要自行创立
SVM训练过程与步骤
09-02
介绍用SVM训练的过程、步骤，对于初学者来说，有一个感性认识和思路。如果直接去看SVM，怎么看都是一头雾水
的训练过程_HOG+SVM训练物体识别过程（监督训练小工具）
weixin_34942564的博客
01-04 248
针对物体识别中的一些问题抽时间自己开发了个小工具，小工具主要包括场景展示区域、功能操作区域。如下图工具展示功能下面详细分享下工具功能以及想要实现的目的。一、场景展示区域场景展示区域用来加载场景图片，并在识别后再图片上标记出相应的识别内容，方便监督训练成果，对于不正确识别或无法识别进行人为的干预，通过人工干预纠错来快速的提高训练效果。二、功能操作区域主要功能是通过相应参数设置框来达到加载场景图片，设...
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...
weixin_39726131的博客
11-24 2666
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补番：【五分钟机器学习】向量支持机SVM——学霸中的战斗机在视频的内容中，我们介绍了SVM的主要思想及Hard Margin SVM的优化过程。在今天的专栏中，我们将填上视频中的坑，本期专栏的主要内容有两块：推导...
OpenCV3特征提取与目标检测之HOG（三）——使用HOG加SVM训练自己的行人检测模型
知来者逆的博客
04-28 7249
这是传统算法利用Hog进行特征提取和用SVM作为分类器，来实现行人检测。Hog加SVM是速度和效果综合平衡性能较好的一种行人检测方法。
opencv实践程序9——分类器训练过程
jjff46的专栏
06-03 1025
一，样本创建 1，负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件创建方法如下：  采用Dos命令生成样本描述文件。具体方法是在Dos下的进入你的图片目录，比如我的图片放在D:\face\posdata下，则：  打开Windows运行程序，输入cmd打开DOS
svm训练图像样本python_SVM手写数字的识别---python-Go语言中文社区
weixin_39928768的博客
02-11 429
SVM手写数字的识别---python1、SVM手写数字识别识别步骤：(1)样本图像的准备。(2)图像尺寸标准化：将图像大小都标准化为8*8大小。(3)读取未知样本图像，提取图像特征，生成图像特征组。(4)将未知测试样本图像特征组送入SVM进行测试，将测试的结果输出。识别代码：#!/usr/bin/env pythonimport numpy as npimport mlpyimport cv2p...
opencv python 训练自己的分类器
最新发布
kan_Feng的博客
07-27 3577
python 训练自己的分类器
利用SVM训练自己的XML文件
yonger7的专栏
02-19 3107
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，
使用HOG+ SVM训练图像识别模板
在计算机视觉领域，HOG特征是一种强大的物体检测方法，而SVM则是一种有效的分类器。HOG算法首先计算图像中每个像素点的梯度幅度和方向，然后统计这些梯度的分布，形成一种描述局部形状的特征。接下来，SVM用于训练...
评论 2
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