Opencv3.0HOG-SVM自定义xml检测

共计 3755 个字符，预计需要花费 10 分钟才能阅读完成。

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。它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。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。

Opencv 3.0已经取消了Cvsvm类了，因此之前在网上看到的许多2.0时代example都无法在3.0上使用。

上图是3.0借口类的继承关系示意图。

template <typename _Tp >
static Ptr< _Tp > load (const String &filename, const String &objname=String())
Loads algorithm from the file. More...

由于是模板类操作，在使用svm的load加载就需要如下操作：

Ptr<ml::SVM>svm = ml::SVM::load<ml::SVM>("SVM_HOG_2400PosINRIA_12000Neg_HardExample.xml");

以下为完整程序代码：

#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;

class MySVM : public  ml::SVM
{
public:
	//获得SVM的决策函数中的alpha数组
	double get_svm_rho()
	{
		return this->getDecisionFunction(0, svm_alpha, svm_svidx);
	}

	//获得SVM的决策函数中的rho参数,即偏移量

	vectorsvm_alpha;
	vectorsvm_svidx;
	float  svm_rho;

};



int main()
{
	namedWindow("src", 0);
	//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);//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
	//Ptr svm = ml::SVM::create();
	Ptr<ml::SVM>svm = ml::SVM::load<ml::SVM>("SVM_HOG_2400PosINRIA_12000Neg_HardExample.xml");
	DescriptorDim = svm->getVarCount();//特征向量的维数，即HOG描述子的维数
	Mat supportVector = svm->getSupportVectors();//支持向量的个数
	int supportVectorNum = supportVector.rows;
	cout << "支持向量个数：" << supportVectorNum << endl;
	//-------------------------------------------------
	vectorsvm_alpha;
	vectorsvm_svidx;
	float  svm_rho;
	
	svm_rho=svm->getDecisionFunction(0, svm_alpha, svm_svidx);
	//-------------------------------------------------
	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
	supportVectorMat = supportVector;
	////将alpha向量的数据复制到alphaMat中
	//double * pAlphaData = svm.get_alpha_vector();//返回SVM的决策函数中的alpha向量
	for (int i = 0; i < supportVectorNum; i++)
	{
		alphaMat.at(0, i) = svm_alpha[i];
	}

	//计算-(alphaMat * supportVectorMat),结果放到resultMat中
	//gemm(alphaMat, supportVectorMat, -1, 0, 1, resultMat);//不知道为什么加负号？
	resultMat = -1 * alphaMat * supportVectorMat;

	//得到最终的setSVMDetector(const vector& detector)参数中可用的检测子
	vector 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(0, i));
	}
	//最后添加偏移量rho，得到检测子
	myDetector.push_back(svm_rho);
	cout << "检测子维数：" << myDetector.size() << endl;
	//设置HOGDescriptor的检测子
	HOGDescriptor myHOG;

	//myHOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());
	myHOG.setSVMDetector(myDetector);
	//myHOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());

	/**************读入图片进行HOG行人检测******************/
	//Mat src = imread("00000.jpg");
	//Mat src = imread("2007_000423.jpg");


	VideoCapture vp("Capture-3202684690.avi");

	Mat frame;

	while (true)
	{
		if (!vp.read(frame))
		{
			cout << "读取视频结束" << endl;
			break;
		}
		Mat src = frame;
		vector found, found_filtered;//矩形框数组
		//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;

		//找出所有没有嵌套的矩形框r,并放入found_filtered中,如果有嵌套的话,则取外面最大的那个矩形框放入found_filtered中
		for (int i = 0; i < found.size(); i++)
		{
			Rect r = found[i];
			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，因为hog检测出的矩形框比实际人体框要稍微大些,所以这里需要做一些调整
		for (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);
		}


		imshow("src", src);
		waitKey(1);//注意：imshow之后必须加waitKey，否则无法显示图像

	}
	

	system("pause");
}