HOG+SVM实现行人检测 寻找hardexample

Posted 2022-05-26 fanxinglanyu

1，实例代码

#include 
#include 
#include 
#include 
#include "dataset.h"
#include 
#include 
#include 
#include 
#include 

#include

using namespace std;
using namespace cv;
using namespace cv::ml;

int HardExampleCount = 1;
#define cropHardNegNum 10896


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

    vector<float> svm_alpha;
    vector<float> svm_svidx;
    float  svm_rho;

;


int main(int argc, char** argv)

    Mat src;
    string ImgName;

    char saveName[256];//找出来的HardExample图片文件名
    //打开原始负样本图片文件列表
    ifstream fin("/Users/macbookpro/CLionProjects/pedestrian_detection/img_dir/sample_neg.txt");

    ofstream fout("/Users/macbookpro/CLionProjects/pedestrian_detection/img_dir/hard_neg.txt",ios::trunc);//加路径
   // int num = 1;
    //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
    ///MySVM svm;//SVM分类器
   // Ptr svm = SVM::create();// 创建分类器
    ///svm = svm::load("SVM_HOG.xml");
    //svm ->save("/Users/macbookpro/CLionProjects/pedestrian_detection/data/SVM_HOG.xml");

    Ptr<SVM> svm = Algorithm::load<SVM>("/Users/macbookpro/CLionProjects/pedestrian_detection/data/SVM_HOG.xml");

    /*************************************************************************************************
      线性SVM训练完成后得到的XML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。
      ***************************************************************************************************/
    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："<

    vector<float> svm_alpha;
    vector<float> svm_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


    //将支持向量的数据复制到supportVectorMat矩阵中
//    for(int i=0; i
//    
//        //const float * pSVData = svm.get_support_vector(i);//返回第i个支持向量的数据指针
//        const float * pSVData = svm->getSupportVectors(i);
//        for(int j=0; j
//        
//            //cout<
//            supportVectorMat.at(i,j) = pSVData[j];
//        
//    
    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<float>(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<float> 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<float>(0,i));
    

    //最后添加偏移量rho，得到检测子
   /// myDetector.push_back(svm.get_rho());
    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(myDetector);
    //myHOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());

// //保存检测子参数到文件
// ofstream fout("HOGDetectorForOpenCV.txt");
// for(int i=0; i
// 
//    fout<
// 

//  namedWindow("people detector", 1);

    while(getline(fin,ImgName))
    
        cout<<"处理："<<ImgName<<endl;
        ImgName = "/Users/macbookpro/CLionProjects/pedestrian_detection/normalized_images/train/neg/" + ImgName;
        src = imread(ImgName,1);//读取图片

        Mat img = src.clone();//复制原图

        vector<Rect> found, found_filtered;
        //double t = (double)getTickCount();
        // run the detector with default parameters. to get a higher hit-rate
        // (and more false alarms, respectively), decrease the hitThreshold and
        // groupThreshold (set groupThreshold to 0 to turn off the grouping completely).

        //对负样本原图进行多尺度检测，检测出的都是误报
        myHOG.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);
        //t = (double)getTickCount() - t;
        //printf("tdetection time = %gms\\n", t*1000./cv::getTickFrequency());


        //遍历从图像中检测出来的矩形框，得到hard example
        size_t i, j;
        for( i = 0; i < found.size(); i++ )
        
            Rect r = found[i];
            for( j = 0; j < found.size(); j++ )
                if( j != i && (r & found[j]) == r)
                    break;
            if( j == found.size() )
                found_filtered.push_back(r);
        

        for( i = 0; i < found_filtered.size(); i++ )
        
            Rect r = found_filtered[i];
            // the HOG detector returns slightly larger rectangles than the real objects.
            // so we slightly shrink the rectangles to get a nicer output.
            //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);

            //检测出来的很多矩形框都超出了图像边界，将这些矩形框都强制规范在图像边界内部
            if(r.x < 0)
                r.x = 0;
            if(r.y < 0)
                r.y = 0;
            if(r.x + r.width > src.cols)
                r.width = src.cols - r.x;
            if(r.y + r.height > src.rows)
                r.height = src.rows - r.y;

            //从原图上截取矩形框大小的图片
            Mat imgROI = src(Rect(r.x, r.y, r.width, r.height));

            //将剪裁出来的图片缩放为64*128大小
            resize(imgROI,imgROI,Size(64,128));

            //生成hard example图片的文件名
            sprintf(saveName,"/Users/macbookpro/CLionProjects/pedestrian_detection/normalized_images/train/hard_neg/hardexample%06d.jpg",HardExampleCount);

            //保存文件
            imwrite(saveName,imgROI);
            
            //保存裁剪得到的图片名称到txt文件，换行分隔
            if(HardExampleCount < cropHardNegNum )
                fout <<"hardexample" << setw(6)<<setfill(0) << HardExampleCount  << ".png"<< endl;
            else
                fout <<"hardexample"<< setw(6)<<setfill(0) << HardExampleCount << ".png";
            
            //num++;
            HardExampleCount++;

            //rectangle(src, r.tl(), r.br(), cv::Scalar(0,255,0), 3);
        
        //imshow("people detector", src);
        //waitKey(0);

    
    fout.close();

    cout<<"HardExampleCount: "<<HardExampleCount - 1<<endl;

    return 0;