• 大小: 38.44MB
    文件类型: .zip
    金币: 1
    下载: 0 次
    发布日期: 2023-07-17
  • 语言: 其他
  • 标签: hog  svm  行人检测  

资源简介

行人检测分类器的训练,训练完可测试效果如何,注意样本的路径问题

资源截图

代码片段和文件信息

#include 
#include 
#include 
#include 
#include 
#include 
#include 

using namespace std;
using namespace cv;

#define PosSamNO 2400  //正样本个数
#define NegSamNO 12000    //负样本个数

#define TRAIN false   //是否进行训练true表示重新训练,false表示读取xml文件中的SVM模型
#define CENTRAL_CROP true   //true:训练时,对96*160的INRIA正样本图片剪裁出中间的64*128大小人体

//HardExample:负样本个数。如果HardExampleNO大于0,表示处理完初始负样本集后,继续处理HardExample负样本集。
//不使用HardExample时必须设置为0,因为特征向量矩阵和特征类别矩阵的维数初始化时用到这个值
#define HardExampleNO 0  


//继承自CvSVM的类,因为生成setSVMDetector()中用到的检测子参数时,需要用到训练好的SVM的decision_func参数,
//但通过查看CvSVM源码可知decision_func参数是protected类型变量,无法直接访问到,只能继承之后通过函数访问
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  
    float get_rho()  
    {  
        return this->decision_func->rho;  
    }  
}; 



int main()
{
//检测窗口(64128)块尺寸(1616)块步长(88)cell尺寸(88)直方图bin个数9
HOGDescriptor hog(Size(64128)Size(1616)Size(88)Size(88)9);//HOG检测器,用来计算HOG描述子的
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

//若TRAIN为true,重新训练分类器
if(TRAIN)
{
string ImgName;//图片名(绝对路径)
ifstream finPos(“INRIAPerson96X160PosList.txt“);//正样本图片的文件名列表
//ifstream finPos(“PersonFromVOC2012List.txt“);//正样本图片的文件名列表
ifstream finNeg(“NoPersonFromINRIAList.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 {
cout<<“处理:“< //ImgName = “D:\\DataSet\\PersonFromVOC2012\\“ + ImgName;//加上正样本的路径名
ImgName = “E:\\运动目标检测\\INRIAPerson\\96X160H96\\Train\\pos\\“ + ImgName;//加上正样本的路径名
Mat src = imread(ImgName);//读取图片
if(CENTRAL_CROP)
src = src(Rect(161664128));//将96*160的INRIA正样本图片剪裁为64*128,即剪去上下左右各16个像素
//resize(srcsrcSize(64128));

vector descriptors;//HOG描述子向量
hog.compute(srcdescriptorsSize(88));//计算HOG描述子,检测窗口移动步长(88)
//
cout<<“描述子维数:“<riptors.size()<
//处理第一个样本时初始化特征向量矩阵和类别矩阵,因为只有知道了特征向量的维数才能初始化特征向量矩阵
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; iriptorDim; i++)
sampleFeatureMat.at(numi) = descriptors[i];//第num个样本的特征向量中的第i个元素
sampleLabelMat.at(num0) = 

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2014-11-24 17:29  SVM_Train_Predict_HOG\
     目录           0  2014-11-24 14:45  SVM_Train_Predict_HOG\Debug\
     文件      144896  2014-11-24 16:06  SVM_Train_Predict_HOG\Debug\SVM_Train_Predict_HOG.exe
     文件     1115176  2014-11-24 16:06  SVM_Train_Predict_HOG\Debug\SVM_Train_Predict_HOG.ilk
     文件     1960960  2014-11-24 16:06  SVM_Train_Predict_HOG\Debug\SVM_Train_Predict_HOG.pdb
     目录           0  2014-11-24 09:25  SVM_Train_Predict_HOG\ipch\
     目录           0  2014-11-24 09:27  SVM_Train_Predict_HOG\ipch\svm_train_predict_hog-878bb37b\
     文件    49741824  2014-11-24 17:25  SVM_Train_Predict_HOG\ipch\svm_train_predict_hog-878bb37b\svm_train_predict_hog-b7ad37e6.ipch
     目录           0  2014-11-24 13:35  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\
     文件    13258752  2014-11-24 17:29  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG.sdf
     文件         930  2013-11-07 15:49  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG.sln
     文件       16896  2014-11-24 17:29  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG.suo
     文件      174277  2013-10-22 16:53  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\00000.jpg
     文件      788547  2013-10-21 21:44  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\1.png
     文件      813015  2013-10-21 21:47  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\2.png
     文件       90689  2007-01-10 01:37  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\2007_000423.jpg
     文件      818604  2013-10-21 21:48  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\3.png
     文件     1610478  2013-10-21 21:48  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\4.png
     文件      911894  2013-10-21 21:49  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\5.png
     目录           0  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\
     文件        1542  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\cl.command.1.tlog
     文件       27996  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\CL.read.1.tlog
     文件         968  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\CL.write.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link-cvtres.read.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link-cvtres.write.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10128-cvtres.read.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10128-cvtres.write.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10128.read.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10128.write.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10220-cvtres.read.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10220-cvtres.write.1.tlog
............此处省略119个文件信息

评论

共有 条评论