HOG测试程序

#include “opencv2/opencv.hpp“
#include “opencv2/ml.hpp“

#include 
#include 
#include 
#include
#include 

using namespace cv;
using namespace cv::ml;
using namespace std;

#define FILEPATH  “D:/Pedestrians64x128/“

///////////////////////////////////HOG+SVM识别方式2///////////////////////////////////////////////////	
void Train（）
{
	////////////////////////////////读入训练样本图片路径和类别///////////////////////////////////////////////////
	//图像路径和类别
	vector imagePath;
	vector imageClass;
	int numberOfLine = 0;
	string buffer;
	ifstream trainingData（string（FILEPATH）+“TrainData.txt“）;
	unsigned long n;

	while （!trainingData.eof（））
	{
		getline（trainingData buffer）;
		if （!buffer.empty（））
		{
			++numberOfLine;
			if （numberOfLine % 2 == 0）
			{
				//读取样本类别
				imageClass.push_back（atoi（buffer.c_str（）））;
			}
			else
			{
				//读取图像路径
				imagePath.push_back（buffer）;
			}
		}
	}

	//关闭文件  
	trainingData.close（）;


	////////////////////////////////获取样本的HOG特征///////////////////////////////////////////////////
	//样本特征向量矩阵
	int numberOfSample = numberOfLine / 2;
	Mat featureVectorOfSample（numberOfSample 3780 CV_32FC1）;//矩阵中每行为一个样本

	//样本的类别
	Mat classOfSample（numberOfSample 1 CV_32SC1）;

	Mat convertedImage;
	Mat trainImage;
	
	// 计算HOG特征
	for （vector::size_type i = 0; i <= imagePath.size（） - 1; ++i）
	{
		//读入图片
		Mat src = imread（imagePath[i] -1）;
		if （src.empty（））
		{
			cout << “can not load the image:“ << imagePath[i] << endl;
			continue;
		}
		//cout << “processing:“ << imagePath[i] << endl;

		// 归一化
		resize（src trainImage Size（64 128））;

		// 提取HOG特征
		HOGDescriptor hog（cvSize（64 128） cvSize（16 16） cvSize（8 8） cvSize（8 8） 9）;
		vector descriptors;
		double time1 = getTickCount（）;
		hog.compute（trainImage descriptors）;//这里可以设置检测窗口步长，如果图片大小超过64×128，可以设置winStride
		double time2 = getTickCount（）;
		double elapse_ms = （time2 - time1） * 1000 / getTickFrequency（）;
		//cout << “HOG dimensions:“ << descriptors.size（） << endl;
		//cout << “Compute time:“ << elapse_ms << endl;
		

		//保存到特征向量矩阵中
		for （vector::size_type j = 0; j <= descriptors.size（） - 1; ++j）
		{
			featureVectorOfSample.at（i j） = descriptors[j];
		}

		//保存类别到类别矩阵
		//!!注意类别类型一定要是int 类型的
		classOfSample.at（i 0） = imageClass[i];
	}


	///////////////////////////////////使用SVM分类器训练///////////////////////////////////////////////////	
	//设置参数，注意Ptr的使用
	Ptr svm = SVM::create（）;
	svm->setType（SVM::C_SVC）;
	svm->setKernel（SVM::LINEAR）;//注意必须使用线性SVM进行训练，因为HogDescriptor检测函数只支持线性检测！！！
	svm->setTermCriteria（TermCriteria（CV_TERMCRIT_ITER 1000 FLT_EPSILON））;

	//使用SVM学习         
	svm->train（featureVectorOfSample ROW_SAMPLE classOfSample）;

	//保存分类器（里面包括了SVM的参数，支持向量α和rho）
	svm->save（string（FILEPATH） + “Classifier.xml“）;

	/*
	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alph

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件      11742  2015-10-30 09:27  HOG.cpp

     文件        480  2015-06-14 17:10  Pedestrians64x1283_ReadFileNames.bat

     文件      70468  2015-10-30 09:24  Pedestrians64x128Classifier.xml

     文件      39339  2015-10-30 09:24  Pedestrians64x128HOG_SVM.txt

     文件      11477  2015-06-15 21:35  Pedestrians64x128Negative00001.jpg

     文件      13598  2015-06-15 21:35  Pedestrians64x128Negative00002.jpg

     文件      12938  2015-06-15 21:35  Pedestrians64x128Negative00003.jpg

     文件      10205  2015-06-15 21:35  Pedestrians64x128Negative00004.jpg

     文件      11850  2015-06-15 21:35  Pedestrians64x128Negative00005.jpg

     文件      10799  2015-06-15 21:35  Pedestrians64x128Negative00006.jpg

     文件      13579  2015-06-15 21:35  Pedestrians64x128Negative00007.jpg

     文件      10725  2015-06-15 21:35  Pedestrians64x128Negative00008.jpg

     文件      13357  2015-06-15 21:35  Pedestrians64x128Negative00009.jpg

     文件      14305  2015-06-15 21:35  Pedestrians64x128Negative00010.jpg

     文件       9266  2015-06-15 21:35  Pedestrians64x128Negative00011.jpg

     文件       7886  2015-06-15 21:35  Pedestrians64x128Negative00012.jpg

     文件      13057  2015-06-15 21:35  Pedestrians64x128Negative00013.jpg

     文件      14991  2015-06-15 21:35  Pedestrians64x128Negative00014.jpg

     文件      10894  2015-06-15 21:35  Pedestrians64x128Negative00015.jpg

     文件       7504  2015-06-15 21:35  Pedestrians64x128Negative00016.jpg

     文件      13590  2015-06-15 21:35  Pedestrians64x128Negative00017.jpg

     文件      12755  2015-06-15 21:35  Pedestrians64x128Negative00018.jpg

     文件       8221  2015-06-15 21:35  Pedestrians64x128Negative00019.jpg

     文件       9533  2015-06-15 21:35  Pedestrians64x128Negative00020.jpg

     文件      11639  2015-06-15 21:35  Pedestrians64x128Negative00022.jpg

     文件      15275  2015-06-15 21:35  Pedestrians64x128Negative00023.jpg

     文件      11677  2015-06-15 21:35  Pedestrians64x128Negative00024.jpg

     文件      11430  2015-06-15 21:35  Pedestrians64x128Negative00025.jpg

     文件      10517  2015-06-15 21:35  Pedestrians64x128Negative00026.jpg

     文件      11527  2015-06-15 21:35  Pedestrians64x128Negative00028.jpg

............此处省略2016个文件信息