利用HOG+SVM训练自己的XML文件

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。

[html]view plaincopy 
   
 @H_404_127@//////////////////extractthehogfeaturefromimages//////////////////////////////////////////////////////////////
 @H_404_127@#defineHOG_VECTOR900//图像HOG特征向量((48-16)/8+1)*(48-16)/8+1)*9*4=900
 @H_404_127@#defineTRAIN_IMG_NUM800//总共的样本（图像）数
 @H_404_127@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
 @H_404_127@vector<float>descrip;
 @H_404_127@vector>totaldescrip(HOG_VECTOR*TRAIN_IMG_NUM);//将所有HOG特征向量保存在vector中
>::iteratorpos;
 @H_404_127@pos=totaldescrip.begin();
 @H_404_127@intImageNum=0;
 @H_404_127@Matimg;
 @H_404_127@FILE*f="pictures.txt";//存放样本图像
 @H_404_127@
 @H_404_127@char_filename[1024];
 @H_404_127@for(;;)
 @H_404_127@{
 @H_404_127@char*filename=_filename;
 @H_404_127@if(f)
 @H_404_127@{
 @H_404_127@if(!fgets(filename,(int)sizeof(_filename)-2,f))
 @H_404_127@break;
 @H_404_127@//while(*filename&&isspace(*filename))
 @H_404_127@//++filename;
 @H_404_127@if(filename[0]=='#')
 @H_404_127@continue;
 @H_404_127@intl=strlen(filename);
 @H_404_127@while(l>0&&isspace(filename[l-1]))
 @H_404_127@--l;
 @H_404_127@filename[l]='\0';
 @H_404_127@img=imread(filename);
 @H_404_127@}
 @H_404_127@printf("%s:\n",filename);
 @H_404_127@if(!img.data)
 @H_404_127@continue;
 @H_404_127@
 @H_404_127@fflush(stdout);
 @H_404_127@hog.compute(img,descrip);//计算每幅图像的HOG特征向量
>::iteratoriter;
 @H_404_127@for(iter=descrip.begin();iter!=descrip.end();iter++,pos++)
 @H_404_127@*pos=*iter;
 @H_404_127@}
 @H_404_127@float*buf2=&totaldescrip[0];
 @H_404_127@Matdata_mat(TRAIN_IMG_NUM,HOG_VECTOR,CV_32FC1,buf2);
 @H_404_127@//将图像标记为两类：1->正样本；2->负样本
 @H_404_127@Matres_mat=Mat::ones(TRAIN_IMG_NUM,CV_32SC1);
 @H_404_127@for(intk=400;k800;k++)
 @H_404_127@res_mat.atunsignedint>(k,0)=2;
 @H_404_127@//利用SVM进行训练,生成XML文件
 @H_404_127@TermCriteriacriteria;
 @H_404_127@SVMsvm=SVM();
 @H_404_127@SVMParamsparam;
 @H_404_127@criteria=cvTermCriteria(CV_TERMCRIT_EPS,1000,FLT_EPSILON);
 @H_404_127@param=SVMParams(SVM::C_SVC,SVM::LINEAR,10.0,0.09,1.0,0.5,NULL,criteria);
 @H_404_127@svm.train(data_mat,res_mat,Mat(),param);
 @H_404_127@svm.save("svm_image.xml");

预测的代码：

copy 
    
   

利用HOG+SVM训练自己的XML文件

猜你在找的XML相关文章