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.
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–wb)/stride +1)*((H-hb)/stride+1)*bins*n,
其中W为图片的宽,H为图片的高,wb和hb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。
- //////////////////extractthehogfeaturefromimages//////////////////////////////////////////////////////////////
- #defineHOG_VECTOR900//图像HOG特征向量((48-16)/8+1)*(48-16)/8+1)*9*4=900
- #defineTRAIN_IMG_NUM800//总共的样本(图像)数
- HOGDescriptorhog(cvSize(48,48),cvSize(16,16),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>totaldescrip(HOG_VECTOR*TRAIN_IMG_NUM);//将所有HOG特征向量保存在vector中
- >::iteratorpos;
- pos=totaldescrip.begin();
- intImageNum=0;
- Matimg;
- 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;
- intl=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
- >::iteratoriter;
- for(iter=descrip.begin();iter!=descrip.end();iter++,pos++)
- *pos=*iter;
- }
- float*buf2=&totaldescrip[0];
- Matdata_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
- Matres_mat=Mat::ones(TRAIN_IMG_NUM,CV_32SC1);
- for(intk=400;k800;k++)
- res_mat.atunsignedint>(k,0)=2;
- //利用SVM进行训练,生成XML文件
- TermCriteriacriteria;
- SVMsvm=SVM();
- SVMParamsparam;
- criteria=cvTermCriteria(CV_TERMCRIT_EPS,1000,FLT_EPSILON);
- param=SVMParams(SVM::C_SVC,SVM::LINEAR,10.0,0.09,1.0,0.5,NULL,criteria);
- svm.train(data_mat,res_mat,Mat(),param);
- svm.save("svm_image.xml");
预测的代码: