织梦CMS - 轻松建站从此开始!

罗索实验室

当前位置: 主页 > 音视频技术 > 视频处理 >

利用Hog特征和SVM分类器进行行人检测

落鹤生 发布于 2014-08-16 23:30 点击:次 
OpenCV虽然提供了Hog和SVM的API,也提供了行人检测的sample,遗憾的是,OpenCV并没有提供样本训练的sample。然而,OpenCV自带的分类器不见得能适用于你的应用场合。因此,针对你的特定应用场景,很有必要进行重新训练得到适合你的分类器。本文的目的,正在于此。
TAG: 目标检测  行人检测  HOG  SVM  

之前介绍过Hog特征(http://www.rosoo.net/a/201408/17027.html),也介绍过SVM分类器(http://www.rosoo.net/a/201408/17028.html );而本文的目的在于介绍利用Hog特征和SVM分类器来进行行人检测。

在2005年CVPR上,来自法国的研究人员Navneet Dalal 和Bill Triggs提出利用Hog进行特征提取,利用线性SVM作为分类器,从而实现行人检测。而这两位也通过大量的测试发现,Hog+SVM是速度和效果综合平衡性能较好的一种行人检测方法。后来,虽然很多研究人员也提出了很多改进的行人检测算法,但基本都以该算法为基础框架。因此,Hog+SVM也成为一个里程表式的算法被写入到OpenCV中。在OpenCV2.0之后的版本,都有Hog特征描述算子的API,而至于SVM,早在OpenCV1.0版本就已经集成进去了;OpenCV虽然提供了Hog和SVM的API,也提供了行人检测的sample,遗憾的是,OpenCV并没有提供样本训练的sample。这也就意味着,很多人只能用OpenCV自带的已经训练好的分类器来进行行人检测。然而,OpenCV自带的分类器是利用Navneet Dalal和Bill Triggs提供的样本进行训练的,不见得能适用于你的应用场合。因此,针对你的特定应用场景,很有必要进行重新训练得到适合你的分类器。本文的目的,正在于此。

重新训练行人检测的流程:

(1)准备训练样本集合;包括正样本集和负样本集;根据机器学习的基础知识我们知道,要利用机器学习算法进行样本训练,从而得到一个性能优良的分类器,训练样本应该是无限多的,而且训练样本应该覆盖实际应用过程中可能发生的各种情况。(很多朋友,用10来个正样本,10来 个负样本进行训练,之后,就进行测试,发现效果没有想象中的那么好,就开始发牢骚,抱怨。。。对于这些人,我只能抱歉的说,对于机器学习、模式识别的认 识,你还处于没有入门的阶段);实际应用过程中,训练样本不可能无限多,但无论如何,三五千个正样本,三五千个负样本,应该不是什么难事吧?(如果连这个 都做不到,建议你别搞机器学习,模式识别了;训练素材都没有,怎么让机器学习到足够的信息呢?)

(2)收集到足够的训练样本之后,你需要手动裁剪样本。例如,你想用Hog+SVM来对商业步行街的监控画面中进行行人检测,那么,你就应该用收集到的训练样本集合,手动裁剪画面中的行人(可以写个简单程序,只需要鼠标框选一下,就将框选区域保存下来)。

(3)裁剪得到训练样本之后,将所有正样本放在一个文件夹中;将所有负样本放在另一个文件夹中;并将所有训练样本缩放到同样的尺寸大小。OpenCV自带的例子在训练时,就是将样本缩放为64*128进行训练的;

(4)提取所有正样本的Hog特征;

(5)提取所有负样本的Hog特征;

(6)对所有正负样本赋予样本标签;例如,所有正样本标记为1,所有负样本标记为0;

(7)将正负样本的Hog特征,正负样本的标签,都输入到SVM中进行训练;Dalal在论文中考虑到速度问题,建议采用线性SVM进行训练。这里,不妨也采用线性SVM;

(8)SVM训练之后,将结果保存为文本文件。

(9)线性SVM进行训练之后得到的文本文件里面,有一个数组,叫做support vector,还有一个数组,叫做alpha,有一个浮点数,叫做rho;将alpha矩阵同support vector相乘,注意,alpha*supportVector,将得到一个列向量。之后,再该列向量的最后添加一个元素rho。如此,变得到了一个分类器,利用该分类器,直接替换opencv中行人检测默认的那个分类器(cv::HOGDescriptor::setSVMDetector()),就可以利用你的训练样本训练出来的分类器进行行人检测了。

下面给出样本训练的参考代码:

  1. class Mysvm: public CvSVM 
  2. public
  3.     int get_alpha_count() 
  4.     { 
  5.         return this->sv_total; 
  6.     } 
  7.  
  8.     int get_sv_dim() 
  9.     { 
  10.         return this->var_all; 
  11.     } 
  12.  
  13.     int get_sv_count() 
  14.     { 
  15.         return this->decision_func->sv_count; 
  16.     } 
  17.  
  18.     double* get_alpha() 
  19.     { 
  20.         return this->decision_func->alpha; 
  21.     } 
  22.  
  23.     float** get_sv() 
  24.     { 
  25.         return this->sv; 
  26.     } 
  27.  
  28.     float get_rho() 
  29.     { 
  30.         return this->decision_func->rho; 
  31.     } 
  32. }; 
  33.  
  34. void Train() 
  35.     char classifierSavePath[256] = "c:/pedestrianDetect-peopleFlow.txt"
  36.  
  37.     string positivePath = "E:\\pictures\\train1\\pos\\"
  38.     string negativePath = "E:\\pictures\\train1\\neg\\"
  39.  
  40.     int positiveSampleCount = 4900; 
  41.     int negativeSampleCount = 6192; 
  42.     int totalSampleCount = positiveSampleCount + negativeSampleCount; 
  43.  
  44.     cout<<"//////////////////////////////////////////////////////////////////"<<endl; 
  45.     cout<<"totalSampleCount: "<<totalSampleCount<<endl; 
  46.     cout<<"positiveSampleCount: "<<positiveSampleCount<<endl; 
  47.     cout<<"negativeSampleCount: "<<negativeSampleCount<<endl; 
  48.  
  49.     CvMat *sampleFeaturesMat = cvCreateMat(totalSampleCount , 1764, CV_32FC1); 
  50.     //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 
  51.     cvSetZero(sampleFeaturesMat);   
  52.     CvMat *sampleLabelMat = cvCreateMat(totalSampleCount, 1, CV_32FC1);//样本标识   
  53.     cvSetZero(sampleLabelMat);   
  54.  
  55.     cout<<"************************************************************"<<endl; 
  56.     cout<<"start to training positive samples..."<<endl; 
  57.  
  58.     char positiveImgName[256]; 
  59.     string path; 
  60.     for(int i=0; i<positiveSampleCount; i++)   
  61.     {   
  62.         memset(positiveImgName, '\0', 256*sizeof(char)); 
  63.         sprintf(positiveImgName, "%d.jpg", i); 
  64.         int len = strlen(positiveImgName); 
  65.         string tempStr = positiveImgName; 
  66.         path = positivePath + tempStr; 
  67.  
  68.         cv::Mat img = cv::imread(path); 
  69.         if( img.data == NULL ) 
  70.         { 
  71.             cout<<"positive image sample load error: "<<i<<" "<<path<<endl; 
  72.             system("pause"); 
  73.             continue
  74.         } 
  75.  
  76.         cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8)
  77. , cv::Size(8,8), 9); 
  78.         vector<float> featureVec;  
  79.  
  80.         hog.compute(img, featureVec, cv::Size(8,8));   
  81.         int featureVecSize = featureVec.size(); 
  82.  
  83.         for (int j=0; j<featureVecSize; j++)   
  84.         {        
  85.             CV_MAT_ELEM( *sampleFeaturesMat, float, i, j ) = featureVec[j];  
  86.         }   
  87.         sampleLabelMat->data.fl[i] = 1; 
  88.     } 
  89.     cout<<"end of training for positive samples..."<<endl; 
  90.  
  91.     cout<<"*********************************************************"<<endl; 
  92.     cout<<"start to train negative samples..."<<endl; 
  93.  
  94.     char negativeImgName[256]; 
  95.     for (int i=0; i<negativeSampleCount; i++) 
  96.     {   
  97.         memset(negativeImgName, '\0', 256*sizeof(char)); 
  98.         sprintf(negativeImgName, "%d.jpg", i); 
  99.         path = negativePath + negativeImgName; 
  100.         cv::Mat img = cv::imread(path); 
  101.         if(img.data == NULL) 
  102.         { 
  103.             cout<<"negative image sample load error: "<<path<<endl; 
  104.             continue
  105.         } 
  106.  
  107.         cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8)
  108. , cv::Size(8,8), 9);   
  109.         vector<float> featureVec;  
  110.  
  111.         hog.compute(img,featureVec,cv::Size(8,8));//计算HOG特征 
  112.         int featureVecSize = featureVec.size();   
  113.  
  114.         for ( int j=0; j<featureVecSize; j ++)   
  115.         {   
  116.             CV_MAT_ELEM( *sampleFeaturesMat, float, i + positiveSampleCount, j )
  117.  = featureVec[ j ]; 
  118.         }   
  119.  
  120.         sampleLabelMat->data.fl[ i + positiveSampleCount ] = -1; 
  121.     }   
  122.  
  123.     cout<<"end of training for negative samples..."<<endl; 
  124.     cout<<"********************************************************"<<endl; 
  125.     cout<<"start to train for SVM classifier..."<<endl; 
  126.  
  127.     CvSVMParams params;   
  128.     params.svm_type = CvSVM::C_SVC;   
  129.     params.kernel_type = CvSVM::LINEAR;   
  130.     params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, FLT_EPSILON); 
  131.     params.C = 0.01; 
  132.  
  133.     Mysvm svm; 
  134.     svm.train( sampleFeaturesMat, sampleLabelMat, NULL, NULL, params );
  135.  //用SVM线性分类器训练 
  136.     svm.save(classifierSavePath); 
  137.  
  138.     cvReleaseMat(&sampleFeaturesMat); 
  139.     cvReleaseMat(&sampleLabelMat); 
  140.  
  141.     int supportVectorSize = svm.get_support_vector_count(); 
  142.     cout<<"support vector size of SVM:"<<supportVectorSize<<endl; 
  143.     cout<<"************************ end of training for SVM ******************"<<endl; 
  144.  
  145.     CvMat *sv,*alp,*re;//所有样本特征向量  
  146.     sv  = cvCreateMat(supportVectorSize , 1764, CV_32FC1); 
  147.     alp = cvCreateMat(1 , supportVectorSize, CV_32FC1); 
  148.     re  = cvCreateMat(1 , 1764, CV_32FC1); 
  149.     CvMat *res  = cvCreateMat(1 , 1, CV_32FC1); 
  150.  
  151.     cvSetZero(sv); 
  152.     cvSetZero(re); 
  153.    
  154.     for(int i=0; i<supportVectorSize; i++) 
  155.     { 
  156.         memcpy( (float*)(sv->data.fl+i*1764), svm.get_support_vector(i)
  157. , 1764*sizeof(float));    
  158.     } 
  159.  
  160.     double* alphaArr = svm.get_alpha(); 
  161.     int alphaCount = svm.get_alpha_count(); 
  162.  
  163.     for(int i=0; i<supportVectorSize; i++) 
  164.     { 
  165.         alp->data.fl[i] = alphaArr[i]; 
  166.     } 
  167.     cvMatMul(alp, sv, re); 
  168.  
  169.     int posCount = 0; 
  170.     for (int i=0; i<1764; i++) 
  171.     { 
  172.         re->data.fl[i] *= -1; 
  173.     } 
  174.  
  175.     FILE* fp = fopen("c:/hogSVMDetector-peopleFlow.txt","wb"); 
  176.     if( NULL == fp ) 
  177.     { 
  178.         return 1; 
  179.     } 
  180.     for(int i=0; i<1764; i++) 
  181.     { 
  182.         fprintf(fp,"%f \n",re->data.fl[i]); 
  183.     } 
  184.     float rho = svm.get_rho(); 
  185.     fprintf(fp, "%f", rho); 
  186.     cout<<"c:/hogSVMDetector.txt 保存完毕"<<endl;//保存HOG能识别的分类器 
  187.     fclose(fp); 
  188.  
  189.     return 1; 

接着,再给出利用训练好的分类器进行行人检测的参考代码:

  1. void Detect() 
  2.     CvCapture* cap = cvCreateFileCapture("E:\\02.avi"); 
  3.     if (!cap) 
  4.     { 
  5.         cout<<"avi file load error..."<<endl; 
  6.         system("pause"); 
  7.         exit(-1); 
  8.     } 
  9.  
  10.     vector<float> x; 
  11.     ifstream fileIn("c:/hogSVMDetector-peopleFlow.txt", ios::in); 
  12.     float val = 0.0f; 
  13.     while(!fileIn.eof()) 
  14.     { 
  15.         fileIn>>val; 
  16.         x.push_back(val); 
  17.     } 
  18.     fileIn.close(); 
  19.  
  20.     vector<cv::Rect>  found; 
  21.     cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16)
  22. , cv::Size(8,8), cv::Size(8,8), 9); 
  23.     hog.setSVMDetector(x); 
  24.  
  25.     IplImage* img = NULL; 
  26.     cvNamedWindow("img", 0); 
  27.     while(img=cvQueryFrame(cap)) 
  28.     { 
  29.         hog.detectMultiScale(img, found, 0, cv::Size(8,8), cv::Size(32,32), 1.05, 2); 
  30.         if (found.size() > 0) 
  31.         { 
  32.  
  33.             for (int i=0; i<found.size(); i++) 
  34.             { 
  35. CvRect tempRect = cvRect(found[i].x, found[i].y, found[i].width, found[i].height); 
  36. cvRectangle(img, cvPoint(tempRect.x,tempRect.y), 
  37. cvPoint(tempRect.x+tempRect.width,tempRect.y+tempRect.height),CV_RGB(255,0,0), 2); 
  38.             } 
  39.         } 
  40.     } 
  41.     cvReleaseCapture(&cap); 

 

(carson2005)
本站文章除注明转载外,均为本站原创或编译欢迎任何形式的转载,但请务必注明出处,尊重他人劳动,同学习共成长。转载请注明:文章转载自:罗索实验室 [http://www1.rosoo.net/a/201408/17026.html]
本文出处:CSDN博客 作者:carson2005 原文
顶一下
(1)
100%
踩一下
(0)
0%
------分隔线----------------------------
发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
表情:
用户名: 验证码:点击我更换图片
栏目列表
将本文分享到微信
织梦二维码生成器
推荐内容