Hog SVM 车辆 行人检测

HOG SVM 车辆检测

　　近期需要对卡口车辆的车脸进行检测，首先选用一个常规的检测方法即是hog特征与SVM，Hog特征是由dalal在2005年提出的用于道路中行人检测的方法，并且取的了不错的识别效果。在人脸检测方面目前主流的方法，先不考虑复杂的深度学习，大多采用Haar和Adaboost的手段来实现。我接下来将会用着两种方法来实现对卡口的车辆检测。

　　首先引出 Hog特征，Hog特征是梯度方向直方图，是一种底层的视觉特征，主要描述的是图像中的梯度分布情况，而梯度分布信息主要是集中在图像中不同内容之间的边界之处，可以较好的反应图像的基本轮廓面貌。在此处并不展开对描述子的详细介绍，给出一个我当时看的博客链接，对描述子原理分析的比较透彻。hog特征原理

接下来将整个特征提取、训练、检测的流程：

1.首先是准备训练样本，分别是正样本和负样本以及测试样本。正负样本一般来说负样本最好是正样本的2-3倍比较好，覆盖面不要是乱七八糟的图像，要贴合实际应用时的场景来选取，样本对训练过程很重要，很重要，很重要，不要以为随随便便弄一些照片就OK。

2.在程序中导入测试样本，分别提取相应的Hog特征，这个地方我有两点要说明

　　2.1．样本的尺度要正则化，也就是样本的尺寸要一样，这样可以排除训练样本尺度对模型训练的影响，在正则化的时候，尽量是不要改变其比例。

　　2.2．在hog特征描述子初始化的时候，需要设置窗口大小，块大小，块滑动大小，以及细胞大小和直方图相应的bin的数目，窗口大小要和输入的训练样本的尺寸一样。

3.提取正负样本的hog特征，我在这里采用的是128128的规模，是正方形的车脸，描述子规模是8100维。

4.SVM采用opencv中自带的，其实opencv中采用的也是某一个版本的LIBSVM，只是重新封装了借口的操作而已。

5.在SVM处，需要注意的是如果之后你要用SVM中自带的detector，也就是用setSVMDetector的话，这个检测器已经是写好了的转门用了处理线性核训练的模型，因为当时dalal用的就是Hog与线性的SVM特征，而且opencv自带的只支持线性的，如果你要用高斯特征即RBF核，不可以采用setSVMDetector，你用了就会出错，根本检测不到真实的位置，这里非常关键，你如果要做分类的话可以直接调用predict,但此处应该只是对车脸与非车脸做，而不是在一张图中找出车脸，如果你要找出目标物，需要自己写相应的detector，来应用你训练好的模型！！！！！

6在检测时，检测窗口的大小必须和训练样本的尺寸是一样的，就是训练时的Hog窗口大小和检测时Hog窗口大小必须保持一致，剩下的就是检测过程中看看没有没嵌套什么的，OK，一下是代码

#include<opencv/cv.h>
#include<opencv2/core/core.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/opencv.hpp>
#include<opencv2/gpu/gpu.hpp>
#include<opencv2/ml/ml.hpp>
#include<opencv2/objdetect/objdetect.hpp>
#include<iostream>
#include<fstream>
#include<string>
#include<vector>
using namespace std;
using namespace cv;

#define TRAIN//开关控制是否训练还是直接载入训练好的模型

class MySVM: public CvSVM
{
public:
	double * get_alpha_data()
	{
		return this->decision_func->alpha;
	}
	double  get_rho_data()
	{
		return this->decision_func->rho;
	}
};

void main(int argc, char ** argv)
{

	MySVM SVM;
	int descriptorDim;

	string buffer;
	string trainImg;
	vector<string> posSamples;
	vector<string> negSamples;
	vector<string> testSamples;
	int posSampleNum;
	int negSampleNum;
	int testSampleNum;
	string basePath = "";//相对路径之前加上基地址，如果训练样本中是相对地址，则都加上基地址
	double rho;

#ifdef TRAIN
		ifstream fInPos("D:\\DataSet\\CarFaceDataSet\\PositiveSample.txt");//读取正样本
		ifstream fInNeg("D:\\DataSet\\CarFaceDataSet\\NegtiveSample.txt");//读取负样本

		while (fInPos)//讲正样本读入imgPathList中
		{
			if(getline(fInPos, buffer))
				posSamples.push_back(basePath + buffer);
		}
		posSampleNum = posSamples.size();
		fInPos.close();

		while(fInNeg)//读取负样本
		{
			if (getline(fInNeg, buffer))
				negSamples.push_back(basePath + buffer);
		}
		negSampleNum = negSamples.size();
		fInNeg.close();

		Mat sampleFeatureMat;//样本特征向量矩阵
		Mat sampleLabelMat;//样本标签

		HOGDescriptor * hog = new HOGDescriptor (cvSize(128, 128), cvSize(16, 16), cvSize(8, 8), cvSize(8, 8), 9);
		vector<float> descriptor;

		for(int i = 0 ; i < posSampleNum; i++)// 处理正样本
		{
			Mat inputImg = imread(posSamples[i]);
			cout<<"processing "<<i<<"/"<<posSampleNum<<" "<<posSamples[i]<<endl;
			Size dsize = Size(128,128);
			Mat trainImg = Mat(dsize, CV_32S);
			resize(inputImg, trainImg, dsize);

			hog->compute(trainImg, descriptor, Size(8, 8));
			descriptorDim = descriptor.size();

			if(i == 0)//首次特殊处理根据检测到的维数确定特征矩阵的尺寸
			{
				sampleFeatureMat = Mat::zeros(posSampleNum + negSampleNum, descriptorDim, CV_32FC1);
				sampleLabelMat = Mat::zeros(posSampleNum + negSampleNum, 1, CV_32FC1);
			}

			for(int j = 0; j < descriptorDim; j++)//将特征向量复制到矩阵中
			{
				sampleFeatureMat.at<float>(i, j) = descriptor[j];
			}

			sampleLabelMat.at<float>(i, 0) = 1;
		}

		cout<<"extract posSampleFeature done"<<endl; 

		for(int i = 0 ; i < negSampleNum; i++)//处理负样本
		{
			Mat inputImg = imread(negSamples[i]);
			cout<<"processing "<<i<<"/"<<negSampleNum<<" "<<negSamples[i]<<endl;
			Size dsize = Size(128,128);
			Mat trainImg = Mat(dsize, CV_32S);
			resize(inputImg, trainImg, dsize);
			hog->compute(trainImg, descriptor, Size(8,8));
			descriptorDim = descriptor.size();

			for(int j = 0; j < descriptorDim; j++)//将特征向量复制到矩阵中
			{
				sampleFeatureMat.at<float>(posSampleNum + i, j) = descriptor[j];
			}

			sampleLabelMat.at<float>(posSampleNum + i, 0) = -1;
		}

		cout<<"extract negSampleFeature done"<<endl; 

		//此处先预留hard example 训练后再添加

		ofstream foutFeature("SampleFeatureMat.txt");//保存特征向量文件
		for(int i = 0; i <  posSampleNum + negSampleNum; i++)
		{
			for(int j = 0; j < descriptorDim; j++)
			{
				foutFeature<<sampleFeatureMat.at<float>(i, j)<<" ";
			}
			foutFeature<<"\n";
		}
		foutFeature.close();
		cout<<"output posSample and negSample Feature done"<<endl; 

		CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER, 1000, FLT_EPSILON);
	    CvSVMParams params(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria);  //这里一定要注意，LINEAR代表的是线性核，RBF代表的是高斯核，如果要用opencv自带的detector必须用线性核，如果自己写，或者只是判断是否为车脸的2分类问题则可以用RBF，在此应用环境中线性核的性能还是不错的
    	cout<<"SVM Training Start..."<<endl;
		SVM.train_auto(sampleFeatureMat, sampleLabelMat, Mat(), Mat(), params);
		SVM.save("SVM_Model.xml");
		cout<<"SVM Training Complete"<<endl;
#endif

#ifndef TRAIN
		SVM.load("SVM_Model.xml");//加载模型文件
#endif
	descriptorDim = SVM.get_var_count();
	int supportVectorNum = SVM.get_support_vector_count();
	cout<<"support vector num: "<< supportVectorNum <<endl;

	Mat alphaMat = Mat::zeros(1, supportVectorNum, CV_32FC1);
	Mat supportVectorMat = Mat::zeros(supportVectorNum, descriptorDim, CV_32FC1);
	Mat resultMat = Mat::zeros(1, descriptorDim, CV_32FC1);

	for (int i = 0; i < supportVectorNum; i++)//复制支持向量矩阵
	{
		const float * pSupportVectorData = SVM.get_support_vector(i);
		for(int j = 0 ;j < descriptorDim; j++)
		{
			supportVectorMat.at<float>(i,j) = pSupportVectorData[j];
		}
	}

	double *pAlphaData = SVM.get_alpha_data();
	for (int i = 0; i < supportVectorNum; i++)//复制函数中的alpha 记住决策公式Y= wx+b
	{
		alphaMat.at<float>(0, i) = pAlphaData[i];
	}

	resultMat = -1 * alphaMat * supportVectorMat; //alphaMat就是权重向量

	//cout<<resultMat;

	cout<<"描述子维数 "<<descriptorDim<<endl;
	vector<float> myDetector;
	for (int i = 0 ;i < descriptorDim; i++)
	{
		myDetector.push_back(resultMat.at<float>(0, i));
	}

	rho = SVM.get_rho_data();
	myDetector.push_back(rho);
	cout<<"检测子维数 "<<myDetector.size()<<endl;

	HOGDescriptor myHOG (Size(128, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9);
	myHOG.setSVMDetector(myDetector);//设置检测子

	//保存检测子
	int minusNum = 0;
	int posNum = 0;

	ofstream foutDetector("HogDetectorForCarFace.txt");
	for (int i = 0 ;i < myDetector.size(); i++)
	{
		foutDetector<<myDetector[i]<<" ";
		//cout<<myDetector[i]<<" ";
	}

	//cout<<endl<<"posNum "<<posNum<<endl;
	//cout<<endl<<"minusNum "<<minusNum<<endl;
	foutDetector.close();
	//test part
	ifstream fInTest("D:\\DataSet\\CarFaceDataSet\\testSample.txt");
	while (fInTest)
	{
		if(getline(fInTest, buffer))
		{
			testSamples.push_back(basePath + buffer);
		}
	}
	testSampleNum = testSamples.size();
	fInTest.close();

	for (int i = 0; i < testSamples.size(); i++)
	{
		Mat testImg = imread(testSamples[i]);
		Size dsize = Size(320, 240);
		Mat testImgNorm (dsize, CV_32S);
		resize(testImg, testImgNorm, dsize);

		vector<Rect> found, foundFiltered;
		cout<<"MultiScale detect "<<endl;
		myHOG.detectMultiScale(testImgNorm, found, 0, Size(8,8), Size(0,0), 1.05, 2);
		cout<<"Detected Rect Num"<< found.size()<<endl;

		for (int i = 0; i < found.size(); i++)//查看是否有嵌套的矩形框
		{
			Rect r = found[i];
			int j = 0;
			for (; j < found.size(); j++)
			{
				if ( i != j && (r & found[j]) == r)
				{
					break;
				}
			}
			if(j == found.size())
				foundFiltered.push_back(r);
		}
		for( int i = 0; i < foundFiltered.size(); i++)//画出矩形框
		{
			Rect r = foundFiltered[i];
			rectangle(testImgNorm, r.tl(), r.br(), Scalar(0,255,0), 1);
		}

		imshow("test",testImgNorm);
		waitKey();
	}

	system("pause");

}

总体效果还是不错的，如果对hardexample，进行进一步训练，以及样本的数据进行clean，相信精度还可以进一步提高，并且现在维数也比价高，位了加快检测还可以用PCA进一步降维，但必须自己重新写detector了哦，一定要好好理解一下detector，其实hog + svm的代码很多，本质上都是差不多的。