新人小白OpenCV做行人检测 自己训练svm分类器的时候 运行一直出现中断 请教大神帮帮我·~

using namespace std;

using namespace cv;



#define PosSamNO 193    //正样本个数  

#define NegSamNO 387    //负样本个数  



#define TRAIN true    //是否进行训练,true表示重新训练，false表示读取xml文件中的SVM模型  

#define CENTRAL_CROP true   //true:训练时，对96*160的INRIA正样本图片剪裁出中间的64*128大小人体  



//HardExample：负样本个数。如果HardExampleNO大于0，表示处理完初始负样本集后，继续处理HardExample负样本集。  

//不使用HardExample时必须设置为0，因为特征向量矩阵和特征类别矩阵的维数初始化时用到这个值  

#define HardExampleNO 387   





//继承自CvSVM的类，因为生成setSVMDetector()中用到的检测子参数时，需要用到训练好的SVM的decision_func参数，  

//但通过查看CvSVM源码可知decision_func参数是protected类型变量，无法直接访问到，只能继承之后通过函数访问  

class MySVM : public CvSVM

{

public:

	//获得SVM的决策函数中的alpha数组  

	double * get_alpha_vector()

	{

		return this->decision_func->alpha;

	}



	//获得SVM的决策函数中的rho参数,即偏移量  

	float get_rho()

	{

		return this->decision_func->rho;

	}

};







int main()

{

	//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, 64), 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  



	//若TRAIN为true，重新训练分类器  

	if (TRAIN)

	{

		string ImgName;//图片名(绝对路径)  

		ifstream finPos("pos.txt");//正样本图片的文件名列表  

		//ifstream finPos("PersonFromVOC2012List.txt");//正样本图片的文件名列表  

		ifstream finNeg("neg.txt");//负样本图片的文件名列表  



		Mat sampleFeatureMat;//所有训练样本的特征向量组成的矩阵，行数等于所有样本的个数，列数等于HOG描述子维数      

		Mat sampleLabelMat;//训练样本的类别向量，行数等于所有样本的个数，列数等于1；1表示有人，-1表示无人  





		//依次读取正样本图片，生成HOG描述子  

		for (int num = 0; num<PosSamNO && getline(finPos, ImgName); num++)

		{

			cout << "处理：" << ImgName << endl;

			//ImgName = "D:\\DataSet\\PersonFromVOC2012\\" + ImgName;//加上正样本的路径名  

			ImgName = "D:\\vs2013projects\\cpractice\\mytrainsvm\\mytrainsvm\\pos_img\\" + ImgName;//加上正样本的路径名  

			Mat src = imread(ImgName);//读取图片

			if (CENTRAL_CROP)

				src = src(Rect(0, 0, 64, 64));//将96*160的INRIA正样本图片剪裁为64*128，即剪去上下左右各16个像素  

			//resize(src,src,Size(64,128));  



			vector<float> descriptors;//HOG描述子向量  

			hog.compute(src, descriptors, Size(1, 1));//计算HOG描述子，检测窗口移动步长(8,8)  

			//cout<<"描述子维数："<<descriptors.size()<<endl;  



			//处理第一个样本时初始化特征向量矩阵和类别矩阵，因为只有知道了特征向量的维数才能初始化特征向量矩阵  

			if (0 == num)

			{

				DescriptorDim = descriptors.size();//HOG描述子的维数  

				//初始化所有训练样本的特征向量组成的矩阵，行数等于所有样本的个数，列数等于HOG描述子维数sampleFeatureMat  

				sampleFeatureMat = Mat::zeros(PosSamNO + NegSamNO + HardExampleNO, 1764, CV_32FC1);

				//初始化训练样本的类别向量，行数等于所有样本的个数，列数等于1；1表示有人，0表示无人  

				sampleLabelMat = Mat::zeros(PosSamNO + NegSamNO + HardExampleNO, 1, CV_32FC1);

			}



			//将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat  

			for (int i = 0; i<DescriptorDim; i++)

				sampleFeatureMat.at<float>(num, i) = descriptors[i];//第num个样本的特征向量中的第i个元素  

			sampleLabelMat.at<float>(num, 0) = 1;//正样本类别为1，有人  

		}



		//依次读取负样本图片，生成HOG描述子  

		for (int num = 0; num<NegSamNO && getline(finNeg, ImgName); num++)

		{

			cout << "处理：" << ImgName << endl;

			ImgName = "D:\\vs2013projects\\cpractice\\mytrainsvm\\mytrainsvm\\neg_img\\" + ImgName;//加上负样本的路径名  

			Mat src = imread(ImgName);//读取图片  

			//resize(src,img,Size(64,128));  



			vector<float> descriptors;//HOG描述子向量  

			hog.compute(src, descriptors, Size(1, 1));//计算HOG描述子，检测窗口移动步长(8,8)  

			//cout<<"描述子维数："<<descriptors.size()<<endl;  



			//将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat  

			for (int i = 0; i<DescriptorDim; i++)

				sampleFeatureMat.at<float>(num + PosSamNO, i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素  

			sampleLabelMat.at<float>(num + PosSamNO, 0) = -1;//负样本类别为-1，无人  

		}



		//处理HardExample负样本  

		if (HardExampleNO > 0)

		{

			ifstream finHardExample("neg.txt");//HardExample负样本的文件名列表  

			//依次读取HardExample负样本图片，生成HOG描述子  

			for (int num = 0; num<HardExampleNO && getline(finHardExample, ImgName); num++)

			{

				cout << "处理：" << ImgName << endl;

				ImgName = "D:\\vs2013projects\\cpractice\\mytrainsvm\\mytrainsvm\\neg\\" + ImgName;//加上HardExample负样本的路径名  

				Mat src = imread(ImgName);//读取图片  

				//resize(src,img,Size(64,128));  



				vector<float> descriptors;//HOG描述子向量  

				hog.compute(src, descriptors, Size(1, 1));//计算HOG描述子，检测窗口移动步长(8,8)  

				//cout<<"描述子维数："<<descriptors.size()<<endl;  



				//将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat  

				for (int i = 0; i<DescriptorDim; i++)

					sampleFeatureMat.at<float>(num + PosSamNO + NegSamNO, i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素  

				sampleLabelMat.at<float>(num + PosSamNO + NegSamNO, 0) = -1;//负样本类别为-1，无人  

			}

		}

		CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER + CV_TERMCRIT_EPS, 10000, FLT_EPSILON);

		//SVM参数：SVM类型为C_SVC；线性核函数；松弛因子C=0.01  

		CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria);

		cout << "开始训练SVM分类器" << endl;

		svm.train_auto(sampleFeatureMat, sampleLabelMat, Mat(), Mat(), param);//训练分类器  



		cout << "训练完成" << endl;

		svm.save("SVM_HOG.xml");//将训练好的SVM模型保存为xml文件  



	}

	else //若TRAIN为false，从XML文件读取训练好的分类器  

	{

		svm.load("D:/vs2013projects/cpractice/mytrainsvm/mytrainsvm/SVM_HOG.xml");//从XML文件读取训练好的SVM模型  

	}



	system("pause");

}