svm 行人识别训练基于Opencv

来源：互联网发布：看图识车软件编辑：程序博客网时间：2024/06/09 17:18

参考 http://blog.csdn.net/zouwen198317/article/details/8198578

写得很好的svm+ hog 的分类器训练

[cpp] view plaincopy
class Mysvm: public CvSVM  
{  
public:  
    int get_alpha_count()  
    {  
        return this->sv_total;  
    }  
  
    int get_sv_dim()  
    {  
        return this->var_all;  
    }  
  
    int get_sv_count()  
    {  
        return this->decision_func->sv_count;  
    }  
  
    double* get_alpha()  
    {  
        return this->decision_func->alpha;  
    }  
  
    float** get_sv()  
    {  
        return this->sv;  
    }  
  
    float get_rho()  
    {  
        return this->decision_func->rho;  
    }  
};  
  
void Train()  
{  
    char classifierSavePath[256] = "c:/pedestrianDetect-peopleFlow.txt";  
  
    string positivePath = "E:\\pictures\\train1\\pos\\";  
    string negativePath = "E:\\pictures\\train1\\neg\\";  
  
    int positiveSampleCount = 4900;  
    int negativeSampleCount = 6192;  
    int totalSampleCount = positiveSampleCount + negativeSampleCount;  
  
    cout<<"//////////////////////////////////////////////////////////////////"<<endl;  
    cout<<"totalSampleCount: "<<totalSampleCount<<endl;  
    cout<<"positiveSampleCount: "<<positiveSampleCount<<endl;  
    cout<<"negativeSampleCount: "<<negativeSampleCount<<endl;  
  
    CvMat *sampleFeaturesMat = cvCreateMat(totalSampleCount , 1764, CV_32FC1);  
    //64*128的训练样本，该矩阵将是totalSample*3780,64*64的训练样本，该矩阵将是totalSample*1764  
    cvSetZero(sampleFeaturesMat);    
    CvMat *sampleLabelMat = cvCreateMat(totalSampleCount, 1, CV_32FC1);//样本标识    
    cvSetZero(sampleLabelMat);    
  
    cout<<"************************************************************"<<endl;  
    cout<<"start to training positive samples..."<<endl;  
  
    char positiveImgName[256];  
    string path;  
    for(int i=0; i<positiveSampleCount; i++)    
    {    
        memset(positiveImgName, '\0', 256*sizeof(char));  
        sprintf(positiveImgName, "%d.jpg", i);  
        int len = strlen(positiveImgName);  
        string tempStr = positiveImgName;  
        path = positivePath + tempStr;  
  
        cv::Mat img = cv::imread(path);  
        if( img.data == NULL )  
        {  
            cout<<"positive image sample load error: "<<i<<" "<<path<<endl;  
            system("pause");  
            continue;  
        }  
  
        cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);  
        vector<float> featureVec;   
  
        hog.compute(img, featureVec, cv::Size(8,8));    
        int featureVecSize = featureVec.size();  
  
        for (int j=0; j<featureVecSize; j++)    
        {         
            CV_MAT_ELEM( *sampleFeaturesMat, float, i, j ) = featureVec[j];   
        }    
        sampleLabelMat->data.fl[i] = 1;  
    }  
    cout<<"end of training for positive samples..."<<endl;  
  
    cout<<"*********************************************************"<<endl;  
    cout<<"start to train negative samples..."<<endl;  
  
    char negativeImgName[256];  
    for (int i=0; i<negativeSampleCount; i++)  
    {    
        memset(negativeImgName, '\0', 256*sizeof(char));  
        sprintf(negativeImgName, "%d.jpg", i);  
        path = negativePath + negativeImgName;  
        cv::Mat img = cv::imread(path);  
        if(img.data == NULL)  
        {  
            cout<<"negative image sample load error: "<<path<<endl;  
            continue;  
        }  
  
        cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);    
        vector<float> featureVec;   
  
        hog.compute(img,featureVec,cv::Size(8,8));//计算HOG特征  
        int featureVecSize = featureVec.size();    
  
        for ( int j=0; j<featureVecSize; j ++)    
        {    
            CV_MAT_ELEM( *sampleFeaturesMat, float, i + positiveSampleCount, j ) = featureVec[ j ];  
        }    
  
        sampleLabelMat->data.fl[ i + positiveSampleCount ] = -1;  
    }    
  
    cout<<"end of training for negative samples..."<<endl;  
    cout<<"********************************************************"<<endl;  
    cout<<"start to train for SVM classifier..."<<endl;  
  
    CvSVMParams params;    
    params.svm_type = CvSVM::C_SVC;    
    params.kernel_type = CvSVM::LINEAR;    
    params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, FLT_EPSILON);  
    params.C = 0.01;  
  
    Mysvm svm;  
    svm.train( sampleFeaturesMat, sampleLabelMat, NULL, NULL, params ); //用SVM线性分类器训练  
    svm.save(classifierSavePath);  
  
    cvReleaseMat(&sampleFeaturesMat);  
    cvReleaseMat(&sampleLabelMat);  
  
    int supportVectorSize = svm.get_support_vector_count();  
    cout<<"support vector size of SVM："<<supportVectorSize<<endl;  
    cout<<"************************ end of training for SVM ******************"<<endl;  
  
    CvMat *sv,*alp,*re;//所有样本特征向量   
    sv  = cvCreateMat(supportVectorSize , 1764, CV_32FC1);  
    alp = cvCreateMat(1 , supportVectorSize, CV_32FC1);  
    re  = cvCreateMat(1 , 1764, CV_32FC1);  
    CvMat *res  = cvCreateMat(1 , 1, CV_32FC1);  
  
    cvSetZero(sv);  
    cvSetZero(re);  
    
    for(int i=0; i<supportVectorSize; i++)  
    {  
        memcpy( (float*)(sv->data.fl+i*1764), svm.get_support_vector(i), 1764*sizeof(float));      
    }  
  
    double* alphaArr = svm.get_alpha();  
    int alphaCount = svm.get_alpha_count();  
  
    for(int i=0; i<supportVectorSize; i++)  
    {  
        alp->data.fl[i] = alphaArr[i];  
    }  
    cvMatMul(alp, sv, re);  
  
    int posCount = 0;  
    for (int i=0; i<1764; i++)  
    {  
        re->data.fl[i] *= -1;  
    }  
  
    FILE* fp = fopen("c:/hogSVMDetector-peopleFlow.txt","wb");  
    if( NULL == fp )  
    {  
        return 1;  
    }  
    for(int i=0; i<1764; i++)  
    {  
        fprintf(fp,"%f \n",re->data.fl[i]);  
    }  
    float rho = svm.get_rho();  
    fprintf(fp, "%f", rho);  
    cout<<"c:/hogSVMDetector.txt 保存完毕"<<endl;//保存HOG能识别的分类器  
    fclose(fp);  
  
    return 1;  
}  

检测代码那和opencv的差不多了

[cpp] view plaincopy
void Detect()  
{  
    CvCapture* cap = cvCreateFileCapture("E:\\02.avi");  
    if (!cap)  
    {  
        cout<<"avi file load error..."<<endl;  
        system("pause");  
        exit(-1);  
    }  
  
    vector<float> x;  
    ifstream fileIn("c:/hogSVMDetector-peopleFlow.txt", ios::in);  
    float val = 0.0f;  
    while(!fileIn.eof())  
    {  
        fileIn>>val;  
        x.push_back(val);  
    }  
    fileIn.close();  
  
    vector<cv::Rect>  found;  
    cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);  
    hog.setSVMDetector(x);  
  
    IplImage* img = NULL;  
    cvNamedWindow("img", 0);  
    while(img=cvQueryFrame(cap))  
    {  
        hog.detectMultiScale(img, found, 0, cv::Size(8,8), cv::Size(32,32), 1.05, 2);  
        if (found.size() > 0)  
        {  
  
            for (int i=0; i<found.size(); i++)  
            {  
                CvRect tempRect = cvRect(found[i].x, found[i].y, found[i].width, found[i].height);  
  
                cvRectangle(img, cvPoint(tempRect.x,tempRect.y),  
                    cvPoint(tempRect.x+tempRect.width,tempRect.y+tempRect.height),CV_RGB(255,0,0), 2);  
            }  
        }  
    }  
    cvReleaseCapture(&cap);  
}  

svm + hog算法，做行人识别，效果其实不错的，和haar +adaboost应该有得比，在dm3730 arm + dsp 双核的，我实现了两种方法，感觉svm+hog速度慢了点，haar + adaboost 速度还可以，做了行人识别，分类器自己训练的，18个 stage那样，640X480. 如果在DM8148或 Dm8168做，应该很实用了。如果是纯的dsp，以前在dm6437上做，感觉速度也不怎么行。目前正在研究dm8148的架构，和omap或Dm3730差不多，多了一些OpenMax之类，估计是照顾android开发用户，我还是喜欢直接基于linux开发，代码直接是c的，新的opencv多了一些 vector之类，估计ti的dsp环境可能不支持。

0 0

svm 行人识别 训练 基于Opencv

svm 行人识别训练基于Opencv