HOG提取训练检测

开篇-HOG提取训练检测+样本制作利用HOG特征训练分类器说明文档-By miracled整体框架： 样本制作+训练+检测 - （vs2008 + opencv2.3.1 + libsvm(可换用svmlight需改动部分源代码)）1. 样本制作：Make_Sample类1.1功能大致如下（如需要详细的介绍，请直接参看源码）　　Make_Sample() ： 加载抠选参数可以采用这种方式，构造实例。　　Make_Sample(Size winSize,Point tl = Point(),double ratios = 1.0,int numPerPic = 1);　　　　　winsize：指定抠选区域的大小　　　　　　tl：指定抠选窗口的左上顶点，如果为（-1，-1）则随机在输入图像有效区域内随机选取。　　　　　　ratios：指定输入图像的缩放比例，如果 ＜0则随机有效的比率。最大比率定义在make_sample.h中的MAXRATIOS中，可以自行修改。　　　　　　numPerPic：指定每张输入图片中输出样本的数量，为随机抠选选项。　　int Make(string root,string type,string savePath,void (*Proccess)(Mat& ) = 0);　　　　　　root：输入图片的路径。　　　　　　type：输入图片的格式。　　　　　　savePath：抠选样本保存的路径。　　　　　　void Process(Mat& image)：图像的预处理函数，这个函数可以自行编写你的预处理过程。 int Make(string parmFile, string savePath,void (*Proccess)(Mat& ) = 0);　　　　　　parmFile：抠选参数，形如　　　　　　　　G:/database/test/imagexx.jpg 0 0 128 64 1　　　　　　　　G:/database/test/366.jpg 0 0 128 64 1　　　　　　　　G:/database/test/1568.jpg 0 0 128 64 1　　　　　　　　G:/database/test/1939.jpg 0 0 128 64 1　　　　　　　　path （x，y） winSize ratios // 路径 左上顶点 窗口大小 缩放比例　　　　　　　　savePath：样本保存路径。　　　　　　　　void Process（Mat& image）：自定义预处理函数。 2. 训练2.1 HOG特征提取(使用前请参看后面的5个注意事项)　　bool initHogs(int num);　　　　功能：初始化训练参数　　　　num：提取样本的个数　　void DetectPacket(Mat& img,Mat& grad_ang);　　　　功能：计算输入图像img的角度和梯度，保存在grad_ang中　　void calculateHogs(Mat& grad_ang,Point tl);　　　　功能：计算一张大图中以tl为左上顶点检测窗口的HOG特征（为检测和寻找困难样本而设置）　　　　grad_ang：梯度和角度　　　　tl：检测窗口的左上顶点　　void calculateHogs(Mat& grad_ang,int ipic);　　　　功能：计算样本大小，第ipic个样本的HOG特征（为训练而设置）　　　　grad_ang：梯度和角度　　　　ipic：样本的编号。　　void saveHog(char *hpath,int label,bool iscls = false) const;　　　　功能：保存训练得到的hog特征　　　　hapth：保存的全路径　　　　label：保存的标签　　　　iscls：是否清除上次保存的结果，默认不清除，使用append写入。　　Mat getHogs() const { return vfeature; }　　　　功能：获取训练得到的hog特征　　float *getHogs(int ipic) const　　　　功能：获取索引为ipic的样本hog特征　　int FeatureLength() const { return parm.len; }　　　　功能：获取特征的维数　　int Height() const { return parm.height; }　　　　功能：获取检测窗口的高度　　int Width() const { return parm.width; }　　　　功能：获取检测窗口的宽度2.2使用hog特征需要注意的几点：　　1、只定义了9方向　　2、只定义L2归一化　　3、需要使用请解开//#define _GAMMA_COMPRESS_的注释　　4、高斯加权模板采用的16x16的如果block大小不是（16,16）则需要改动，请参看并修改static double* getGaussMask()函数　　5、提取前需要加载配置文件Hogcfg.ini　　　　　　width: 128　　　　　　　　height: 64　　　　　　block: 2　　　　　　cell: 8　　　　　　normt: 0 //这个参数预留，需要自己添加block归一化方法3. 训练分类器3.1获取训练数据　　void getTrainData(char *root, char *type, int label, char *matlab_data)　　　　功能：获取hog训练数据。　　　　root：当前训练样本位置　　　　type：训练样本格式　　　　label：训练样本标签　　　　matlab_data：训练样本保存名称　　注意：样本必须同检测窗口大小，并且具有相同的标签，例如　　getTrainData("G:/database/car_detect/pos4/",".jpg",1,"train.txt");　　getTrainData("G:/database/car_detect/neg4/",".jpg",-1,"train.txt"); 保存名称需要相同，不然需要自己黏贴 到一个文件中参与训练。3.2 训练　　step1：训练一轮　　　　训练方法主要有两种　　第一种：　　　　需要下载libsvm，使用其中的svm-train.exe文件　　　　已经打包到一起了，在根目录下找到training_bat.bat，将其中的train.txt修改成你的训练数据名字，双击运行training_bat.bat就可以直接训练一轮得到一个libsvm的model，想自己设定参数请参看svm-train-usage.txt，如何使用svm-train.exe文件。　　第二种：　　　　使用matlab训练，不过需要修改hog特征提取中的　　　　void saveHog(char *hpath,int label,bool iscls = false) const方法。然后将训练数据加载到matlab里训练就可以了。注：这里得到的libsvm-model都比较大，如果使用的是线性的model的话，使用void changeModel(char *modelname,char *newmodelname,int fealen)方法转化一下就可以得到一个比较小的model，　　　　modelname：libsvm的model，　　　　newmodelname：自定义保存model的名字，　　　　fealen：特征的维数，使用第二种方式训练的在matlab中转化可以参看源码（很简单的）。　　step2：搜索困难样本　　　　void findHardSample(char *modelname,char *hardroot,char *type,char *matlab_hard);　　　　　　功能：利用训练好的线性模型搜索困难样本集，将困难样本数据保存在matlab_hard中　　　　　　modelname：一个已训练好的线性mode　　　　　　hardroot：困难样本集路径　　　　　　type：样本扩展名　　　　　　matlab_hard：保存困难样本的文件名step2完成以后，挑选需要再次训练的困难样本与第一轮训练的数据合并，重复step1可以得到最终的分类器。3. 检测　　int detectCar(char *modelname,char *imfile);　　　　功能：检测一张图片中是否含有目标。　　　　modelname：分类器的路径　　　　imfile：图片的路径注意：1、显示结果请打开//#define _SHOW_DETECT_RESULT_前的注释2、关于多框的问题请调节，一下方法，具体如何调节请参看源码或网络　　　　//PostProcess(carRect,1); PostProcess(carRect,2);　　　　//RemoveCoveredRectangles(carRect);使用注意事项：code供学习使用，本人测试能用于检测，但不保证没有任何bug。