3,881
社区成员
发帖
与我相关
我的任务
分享OpenCV自己训练svm分类器时中断出错
#include <ctime>
#include <iostream>
#include <fstream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/objdetect/objdetect.hpp>
#include <opencv2/ml/ml.hpp>
using namespace std;
using namespace cv;
#define squ 64 //方框的边长
#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 false //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 0
//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(squ , squ), 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 = 1; num<(PosSamNO+1) && getline(finPos, ImgName); num++)
{
string ImgName;
stringstream stream;
stream << (num + 1);
ImgName = stream .str();
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+ ".jpg";//加上正样本的路径名
cout << ImgName << endl;
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(8, 8));//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, DescriptorDim, 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 = 1; num <(NegSamNO+1) && getline(finNeg, ImgName); num++)
{
string ImgName;
stringstream stream;
stream << (num + 1);
ImgName = stream.str();
cout << "处理：" << ImgName << endl;
ImgName = "D:\\vs2013projects\\cpractice\\mytrainsvm\\mytrainsvm\\neg_img\\" + ImgName + ".jpg";//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(8, 8));//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_img\\" + 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, 1000, 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(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
}
//*************************************************************************************************
// 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.get_var_count();//特征向量的维数，即HOG描述子的维数
int supportVectorNum = svm.get_support_vector_count();//支持向量的个数
cout<<"支持向量个数："<<supportVectorNum<<endl;
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<supportVectorNum; i++)
{
const float * pSVData = svm.get_support_vector(i);//返回第i个支持向量的数据指针
for(int j=0; j<DescriptorDim; j++)
{
//cout<<pData[j]<<" ";
supportVectorMat.at<float>(i,j) = pSVData[j];
}
}
//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) = pAlphaData[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<float>& 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());
cout<<"检测子维数："<<myDetector.size()<<endl;
//设置HOGDescriptor的检测子
HOGDescriptor myHOG(Size(squ,squ),Size(16,16),Size(8,8),Size(8,8),9);
myHOG.setSVMDetector(myDetector);
//myHOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());
//保存检测子参数到文件
ofstream fout("HOGDetector.txt");
for(int i=0; i<myDetector.size(); i++)
{
fout<<myDetector[i]<<endl;
}
cout<<"训练完成！"<<endl;
system("pause");
}
运行环境是vs2013+OpenCV2.4.13
中断出错
单步调试错误在这
...全文
请发表友善的回复…
发表回复
