利用HOG+SVM训练自己的XML文件

参考网址：https://blog.csdn.net/cxazw/article/details/26071373

http://blog.csdn.net/Armily/article/details/8333862 原文链接

 在人脸检测中，我们一般利用训练好的XML文件去预测图像中是否存在人脸，那么XML文件是如何得到的，按照人脸的XML文件，它应该是提取样本的Haar特征，利用某个机器学习方法，最终得到的。本文主要讨论如何得到自己的XML文件。 

        在机器学习中，首先应该是采集样本，然后提取他们的特征，本人主要利用HOG特征进行实验。

1、采集样本图像（正样本和负样本），将其归一化到一个的尺度，如48X48.

2、将样本图像的名称写到一个TXT文件，方便程序调用.

3、依次提取每张图像的HOG特征向量.

4、利用SVM进行训练.

5、得到XML文件

具体代码如下：

HOG特征向量计算方法：

利用矩形HOG结构，2×2个cell组成一个block块，每个cell由8×8像素的图像区域组成，步长N为8，而每个cell的梯度方向从0⁰-360⁰分成9个方向块。对于0⁰-180⁰的方向均匀投影到9个方向块，比如0⁰-20⁰投影到a₁块，20⁰-40⁰投影到a₂块。也就是说每个cell要对9维的特征进行梯度幅度投影，形成9维的特征向量，block内的四个cell独立产生9维的特征向量，计算某个cell的特征向量时，投影的时候同一个block内的另外三个cell中的像素也要对这个cell的特征向量进行投影，投影的权重使用三线性插值方法，这样在48×48的图片大小下，利用公式N = ((W–w_b )/stride + 1)*((H-h_b)/stride+1)*bins*n    ，        

其中W为图片的宽，H为图片的高，w_b和h_b为block的宽与高，stride为cell的大小，bins为投影的区块，n为一个block中包含的cell的个数。

就产生900维的特征向量。

//extract the hog feature from images //
     #define HOG_VECTOR 900    // 图像HOG特征向量  ((48-16)/8 + 1)*(48-16)/8 + 1)*9*4=900
     #define TRAIN_IMG_NUM 800  //总共的样本（图像）数
        HOGDescriptor hog(cvSize(48,48),cvSize(16,16),cvSize(8,8),cvSize(8,8),9,1,-           1,HOGDescriptor::L2Hys,0.2,false,HOGDescriptor::DEFAULT_NLEVELS);           //初始化HOG描述符
        vector<float>descrip;
        vector<float>totaldescrip(HOG_VECTOR*TRAIN_IMG_NUM);   //将所有HOG特征向量保存在vector中
        vector<float>::iterator pos;
        pos=totaldescrip.begin();
        int ImageNum=0;
         Mat img;
         FILE* f = "pictures.txt"; //存放样本图像

     char _filename[1024];

         for (;;)
        {
            char* filename = _filename;
            if(f)
            {
                if(!fgets(filename, (int)sizeof(_filename)-2, f))
                    break;
                //while(*filename && isspace(*filename))
                //  ++filename;
                if(filename[0] == '#')
                    continue;
                int l = strlen(filename);
                while(l > 0 && isspace(filename[l-1]))
                    --l;
                filename[l] = '\0';
                img = imread(filename);
            }
            printf("%s:\n", filename);
            if(!img.data)
                continue;

            fflush(stdout);
            hog.compute(img,descrip);    //计算每幅图像的HOG特征向量

            vector<float>::iterator iter;
                          for (iter=descrip.begin();iter!=descrip.end();iter++,pos++)
                          {
                    *pos=*iter;
                          }
        }

        float* buf2=&totaldescrip[0];
        Mat data_mat(TRAIN_IMG_NUM,HOG_VECTOR,CV_32FC1,buf2);

 //将图像标记为两类：1->正样本；2->负样本
        Mat res_mat=Mat::ones(TRAIN_IMG_NUM,1,CV_32SC1);
        for (int k=400;k<800;k++)
        {
            res_mat.at<unsigned int>(k, 0)=2;
        }
                 //利用SVM进行训练,生成XML文件
        TermCriteria criteria;
        SVM svm = SVM ();
        SVMParams param;
        criteria = cvTermCriteria (CV_TERMCRIT_EPS, 1000, FLT_EPSILON);
        param = SVMParams (SVM::C_SVC, SVM::LINEAR, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria);
        svm.train(data_mat,res_mat,Mat(), Mat(), param);
        svm.save ("svm_image.xml");

预测的代码：

   

              hog.compute(img,descrip3);
    float* buf3=&descrip3[0];
    Mat hog_data_mat(1,900,CV_32FC1,buf3);

    SVM svm_hog=CvSVM();
    svm_hog.load("svm_image.xml");
    float index=0.;
index=svm_hog.predict(hog_data_mat);
cout<<"index="<<index<<endl;