自己训练SVM-HOG分类器，进行HOG+SVM+OPENCV行人检测（完整工程项目）

在行人检测方面，SVM+HOG方法是比较普遍的，但是其检测准确率的影响因素有很多，不同场景中的行人，如：街道、商场等，以及不同的人群密集度，会影响检测的最终准确率。opencv2.2+版本就已经实现了hog特征提取，opencv中虽然有已经训练好的SVM分类器，但是针对不同的实际项目环境，效果不佳.。因此本文演示做一个svm-hog训练器，大家可以替换我的正负训练样本，做一个自己想要的训练器。本文环境：Windows7+VS2010+opencv2.4.9。
一、数据处理
本文采用行人数据集：http://pascal.inrialpes.fr/data/human/，不过根据实际情况，我把样本进行了处理，处理后结果是：正负样本，大小均为64x128。再对负样本进行随机裁剪处理，每个图像随机裁剪成10个图像，作为负样本。具体可见我的工程项目中的pos和neg文件。
1、利用样本提取hog描述子：维度为3780+1=3781，维度具体计算：
Size： 64x128；Block：16x16；Cell：8x8；Stride：8x8；Bin：9
一共有：（（64-16）/8+1）x（（128-16）/8+1）=105 Block
每个Block：（16/8）x（16/8）=4 Cell
然后：4x9 Bin=36
所以hog特征维度为：105x36 =3780维
再加上一个偏置共 ：3780+1=3781维（后面测试时会显示这个参数）
2、提取hog特征，训练SVM
3、利用SVM训练的模型，来进行行人检测。
4、正样本pos和负样本neg


二、代码部分
1、主函数部分

#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 3350    //正样本个数
#define NegSamNO 15633   //负样本个数
#define TRAIN false   //true表示重新训练，false表示读取xml文件中的SVM模型
#define HardExampleNO 37 

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
	double 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);
	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
	if(TRAIN)
	{
		string ImgName;//图片名(绝对路径)
		ifstream finPos("pos.txt");//正样本图片的文件名列表
		ifstream finNeg("neg.txt");//负样本图片的文件名列表
		Mat sampleFeatureMat;//所有训练样本的特征向量组成的矩阵，行数等于所有样本的个数，列数等于HOG描述子维数	
		Mat sampleLabelMat;//训练样本的类别向量，行数等于所有样本的个数，列数等于1；1表示有人，-1表示无人
		//依次读取正样本图片，生成HOG描述子
		for(int num=0; num<PosSamNO && getline(finPos,ImgName); num++)
		{
			cout<<"处理："<<ImgName<<endl;
			Mat src = imread(ImgName);//读取图片
			vector<float> descriptors;//HOG描述子向量
			hog.compute(src,descriptors,Size(8,8));//计算HOG描述子，检测窗口移动步长(8,8)
			if( 0 == num )
			{
				DescriptorDim = descriptors.size();//HOG描述子的维数
      //初始化所有训练样本的特征向量组成的矩阵，行数等于所有样本的个数，列数等于HOG描述子维数sampleFeatureMat
			    sampleFeatureMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, DescriptorDim, CV_32FC1);
      //初始化训练样本的类别向量，行数等于所有样本的个数，列数等于1；1表示有人，0表示无人
				sampleLabelMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, 1, CV_32FC1);
			}

      //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat
			for(int i=0; i<DescriptorDim; i++)
				sampleFeatureMat.at<float>(num,i) = descriptors[i];//第num个样本的特征向量中的第i个元素
			sampleLabelMat.at<float>(num,0) = 1;//正样本类别为1，有人
		}

      //依次读取负样本图片，生成HOG描述子
		for(int num=0; num<NegSamNO && getline(finNeg,ImgName); num++)
		{
			cout<<"处理："<<ImgName<<endl
			Mat src = imread(ImgName);//读取图片
			vector<float> descriptors;//HOG描述子向量
			hog.compute(src,descriptors,Size(8,8));//计算HOG描述子，检测窗口移动步长(8,8)

      //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat
			for(int i=0; i<DescriptorDim; i++)
				sampleFeatureMat.at<float>(num+PosSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素
			sampleLabelMat.at<float>(num+PosSamNO,0) = -1;//负样本类别为-1，无人
		}
      //处理HardExample负样本
		if(HardExampleNO > 0)
		{
			ifstream finHardExample("hard.txt");//HardExample负样本的文件名列表
			//依次读取HardExample负样本图片，生成HOG描述子
			for(int num=0; num<HardExampleNO && getline(finHardExample,ImgName); num++)
			{
				cout<<"处理："<<ImgName<<endl;
	        //ImgName = "D:\\DataSet\\HardExample_2400PosINRIA_12000Neg\\" + ImgName;//加上HardExample负样本的路径名
				Mat src = imread(ImgName);//读取图像
				vector<float> descriptors;//HOG描述子向量
				hog.compute(src,descriptors,Size(8,8));//计算HOG描述子，检测窗口移动步长(8,8)
				//将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat
				for(int i=0; i<DescriptorDim; i++)
				sampleFeatureMat.at<float>(num+PosSamNO+NegSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素
				sampleLabelMat.at<float>(num+PosSamNO+NegSamNO,0) = -1;//负样本类别为-1，无人
			}
		}

2、训练SVM分类器

		//训练SVM分类器，迭代终止条件，当迭代满1000次或误差小于FLT_EPSILON时停止迭代
		CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 1000, FLT_EPSILON);
		//SVM参数：SVM类型为C_SVC；线性核函数；惩罚因子C=0.01
		CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria);
		cout<<"开始训练SVM分类器"<<endl;
		svm.train(sampleFeatureMat, sampleLabelMat, Mat(), Mat(), param);//训练分类器
		cout<<"训练完成"<<endl;
		svm.save("SVM_HOG.xml");//将训练好的SVM模型保存为xml文件
	}
	    else //若TRAIN为false，从XML文件读取训练好的分类器
	{
		svm.load("SVM_HOG1.xml");//从XML文件读取训练好的SVM模型
	}
	
//	线性SVM训练完成后得到的XML文件里面，有数组support vector，数组alpha，浮点数rho；
//	将alpha矩阵同support vector相乘得到一个列向量。再该列向量的最后添加一个元素rho；
//	从而生成一个分类器，利用该分类器就可以进行行人检测了。
	DescriptorDim = svm.get_var_count();//HOG描述子的维数
	int supportVectorNum = svm.get_support_vector_count();//支持向量的个数
	cout<<"支持向量个数："<<supportVectorNum<<endl;

	Mat alphaMat = Mat::zeros(1, supportVectorNum, CV_32FC1);//alpha向量长度等于支持向量个数
	Mat supportVectorMat = Mat::zeros(supportVectorNum, DescriptorDim, CV_32FC1);//支持向量矩阵
	Mat resultMat = Mat::zeros(1, DescriptorDim, CV_32FC1);//alpha向量乘以支持向量矩阵的结果

	//将支持向量的数据复制到supportVectorMat矩阵中
	for(int i=0; i<supportVectorNum; i++)
	{
		const float * pSVData = svm.get_support_vector(i);//返回第i个支持向量的数据指针
		for(int j=0; j<DescriptorDim; j++)
		{
			//cout<<pData[j]<<" ";
			supportVectorMat.at<float>(i,j) = pSVData[j];
		}
	}

	//将alpha向量的数据复制到alphaMat中
	double * pAlphaData = svm.get_alpha_vector();
	for(int i=0; i<supportVectorNum; i++)
	{
		alphaMat.at<float>(0,i) = pAlphaData[i];
	}
	//计算-(alphaMat * supportVectorMat),结果放到resultMat中
	resultMat = -1 * alphaMat * supportVectorMat;
	//得到最终的可用检测子
	vector<float> myDetector;
	//将resultMat中的数据复制到数组myDetector中
	for(int i=0; i<DescriptorDim; i++)
	{
		myDetector.push_back(resultMat.at<float>(0,i));
	}
	//添加偏移量rho，得到检测子
	myDetector.push_back(svm.get_rho());
	cout<<"检测子维数："<<myDetector.size()<<endl;
	//设置HOGDescriptor的检测子
	HOGDescriptor myHOG;
	myHOG.setSVMDetector(myDetector);
	//保存检测子参数到文件
	ofstream fout("HOGDetectorForOpenCV.txt");
	for(unsigned int i=0; i<myDetector.size(); i++)
	{
		fout<<myDetector[i]<<endl;
	}

3、测试分类器

    //读入图像进行HOG行人检测
	Mat src = imread("4.jpg");
	vector<Rect> found, found_filtered;
	cout<<"进行多尺度HOG人体检测"<<endl;
	myHOG.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);//对图片进行多尺度行人检测
	cout<<"找到的矩形框个数："<<found.size()<<endl;

	//最大的矩形框放入found_filtered
	for(unsigned int i=0; i < found.size(); i++)
	{
		Rect r = found[i];
		unsigned int j=0;
		for(; j < found.size(); j++)
			if(j != i && (r & found[j]) == r)
				break;
		if( j == found.size())
			found_filtered.push_back(r);
	}

	//画矩形框
	for(unsigned int i=0; i<found_filtered.size(); i++)
	{
		Rect r = found_filtered[i];
		r.x += cvRound(r.width*0.1);
		r.width = cvRound(r.width*0.8);
		r.y += cvRound(r.height*0.07);
		r.height = cvRound(r.height*0.8);
		rectangle(src, r.tl(), r.br(), Scalar(0,255,0), 3);
	}
	imwrite("Img.jpg",src);
	namedWindow("src",0);
	imshow("src",src);
	waitKey();
}

三、实验测试
1、生成的SVM训练器.xml如下：

2、进行测试
随便找一张行人图像，利用训练好的SVM_HOG分类器，进行行人识别。测试结果为：


从上图可以看出简单的测试结果，训练器的正负样本对其影响很大，建议大家根据具体的项目环境，进行采集图像，再做训练。上述代码注释得很清楚，如果大家为了方便，也可以下载我的工程项目（里面也包含了训练正负样本图像），链接是：https://pan.baidu.com/s/1UTHk3kd5C_4Ao7RzTUjhyA，提取码：v8lr