在進行機器學習檢測車道線時，參考了這篇博文，基于LBP+SVM實現了車道線檢測的初步效果。覺得講解很到位，代碼也容易理解和修改，故在此分享，供更多人學習。

HOG SVM 車輛檢測

　　近期需要對卡口車輛的車臉進行檢測，首先選用一個常規的檢測方法即是hog特征與SVM，Hog特征是由dalal在2005年提出的用于道路中行人檢測的方法，并且取的了不錯的識別效果。在人臉檢測方面目前主流的方法，先不考慮復雜的深度學習，大多采用Haar和Adaboost的手段來實現。我接下來將會用著兩種方法來實現對卡口的車輛檢測。
　　首先引出 Hog特征，Hog特征是梯度方向直方圖，是一種底層的視覺特征，主要描述的是圖像中的梯度分布情況，而梯度分布信息主要是集中在圖像中不同內容之間的邊界之處，可以較好的反應圖像的基本輪廓面貌。在此處并不展開對描述子的詳細介紹，給出一個我當時看的博客鏈接，對描述子原理分析的比較透徹。hog特征原理

接下來是整個特征提取、訓練、檢測的流程：
1.首先是準備訓練樣本，分別是正樣本和負樣本以及測試樣本。正負樣本一般來說負樣本最好是正樣本的2-3倍比較好，覆蓋面不要是亂七八糟的圖像，要貼合實際應用時的場景來選取，樣本對訓練過程很重要，很重要，很重要，不要以為隨隨便便弄一些照片就OK。
2.在程序中導入測試樣本，分別提取相應的Hog特征，這個地方我有兩點要說明：
　　2.1．樣本的尺度要正則化，也就是樣本的尺寸要一樣，這樣可以排除訓練樣本尺度對模型訓練的影響，在正則化的時候，盡量是不要改變其比例。
　　2.2．在hog特征描述子初始化的時候，需要設置窗口大小，塊大小，塊滑動大小，以及細胞大小和直方圖相應的bin的數目，窗口大小要和輸入的訓練樣本的尺寸一樣。
3.提取正負樣本的hog特征，我在這里采用的是128×128的規模，是正方形的車臉，描述子規模是8100維。
4.SVM采用opencv中自帶的，其實opencv中采用的也是某一個版本的LIBSVM，只是重新封裝了接口的操作而已。
5.在SVM處，需要注意的是如果之后你要用SVM中自帶的detector，也就是用setSVMDetector的話，這個檢測器已經是寫好了的專門用了處理線性核訓練的模型，因為當時dalal用的就是Hog與線性的SVM特征，而且opencv自帶的只支持線性的，如果你要用高斯特征即RBF核，不可以采用setSVMDetector，你用了就會出錯，根本檢測不到真實的位置，這里非常關鍵，你如果要做分類的話可以直接調用predict,但此處應該只是對車臉與非車臉做，而不是在一張圖中找出車臉，如果你要找出目標物，需要自己寫相應的detector，來應用你訓練好的模型！！！
6.在檢測時，檢測窗口的大小必須和訓練樣本的尺寸是一樣的，就是訓練時的Hog窗口大小和檢測時Hog窗口大小必須保持一致，剩下的就是檢測過程中看看沒有沒嵌套什么的，代碼如下：

#include<opencv/cv.h> #include<opencv2/core/core.hpp> #include<opencv2/highgui/highgui.hpp> #include<opencv2/opencv.hpp> #include<opencv2/gpu/gpu.hpp> #include<opencv2/ml/ml.hpp> #include<opencv2/objdetect/objdetect.hpp> #include<iostream> #include<fstream> #include<string> #include<vector> using namespace std; using namespace cv;#define TRAIN//開關控制是否訓練還是直接載入訓練好的模型class MySVM: public CvSVM { public:double * get_alpha_data(){return this->decision_func->alpha;}double get_rho_data(){return this->decision_func->rho;} };void main(int argc, char ** argv) {MySVM SVM;int descriptorDim;string buffer;string trainImg;vector<string> posSamples;vector<string> negSamples;vector<string> testSamples;int posSampleNum;int negSampleNum;int testSampleNum;string basePath = "";//相對路徑之前加上基地址，如果訓練樣本中是相對地址，則都加上基地址double rho;#ifdef TRAINifstream fInPos("D:\\DataSet\\CarFaceDataSet\\PositiveSample.txt");//讀取正樣本ifstream fInNeg("D:\\DataSet\\CarFaceDataSet\\NegtiveSample.txt");//讀取負樣本while (fInPos)//講正樣本讀入imgPathList中{if(getline(fInPos, buffer))posSamples.push_back(basePath + buffer);}posSampleNum = posSamples.size();fInPos.close();while(fInNeg)//讀取負樣本{if (getline(fInNeg, buffer))negSamples.push_back(basePath + buffer);}negSampleNum = negSamples.size();fInNeg.close();Mat sampleFeatureMat;//樣本特征向量矩陣Mat sampleLabelMat;//樣本標簽HOGDescriptor * hog = new HOGDescriptor (cvSize(128, 128), cvSize(16, 16), cvSize(8, 8), cvSize(8, 8), 9);vector<float> descriptor;for(int i = 0 ; i < posSampleNum; i++)// 處理正樣本{Mat inputImg = imread(posSamples[i]);cout<<"processing "<<i<<"/"<<posSampleNum<<" "<<posSamples[i]<<endl;Size dsize = Size(128,128);Mat trainImg = Mat(dsize, CV_32S);resize(inputImg, trainImg, dsize);hog->compute(trainImg, descriptor, Size(8, 8));descriptorDim = descriptor.size();if(i == 0)//首次特殊處理根據檢測到的維數確定特征矩陣的尺寸{sampleFeatureMat = Mat::zeros(posSampleNum + negSampleNum, descriptorDim, CV_32FC1);sampleLabelMat = Mat::zeros(posSampleNum + negSampleNum, 1, CV_32FC1);}for(int j = 0; j < descriptorDim; j++)//將特征向量復制到矩陣中{sampleFeatureMat.at<float>(i, j) = descriptor[j];}sampleLabelMat.at<float>(i, 0) = 1;}cout<<"extract posSampleFeature done"<<endl; for(int i = 0 ; i < negSampleNum; i++)//處理負樣本{Mat inputImg = imread(negSamples[i]);cout<<"processing "<<i<<"/"<<negSampleNum<<" "<<negSamples[i]<<endl;Size dsize = Size(128,128);Mat trainImg = Mat(dsize, CV_32S);resize(inputImg, trainImg, dsize);hog->compute(trainImg, descriptor, Size(8,8));descriptorDim = descriptor.size();for(int j = 0; j < descriptorDim; j++)//將特征向量復制到矩陣中{sampleFeatureMat.at<float>(posSampleNum + i, j) = descriptor[j];}sampleLabelMat.at<float>(posSampleNum + i, 0) = -1;}cout<<"extract negSampleFeature done"<<endl; //此處先預留hard example 訓練后再添加ofstream foutFeature("SampleFeatureMat.txt");//保存特征向量文件for(int i = 0; i < posSampleNum + negSampleNum; i++){for(int j = 0; j < descriptorDim; j++){foutFeature<<sampleFeatureMat.at<float>(i, j)<<" ";}foutFeature<<"\n";}foutFeature.close();cout<<"output posSample and negSample Feature done"<<endl; CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER, 1000, FLT_EPSILON);CvSVMParams params(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria); //這里一定要注意，LINEAR代表的是線性核，RBF代表的是高斯核，如果要用opencv自帶的detector必須用線性核，如果自己寫，或者只是判斷是否為車臉的2分類問題則可以用RBF，在此應用環境中線性核的性能還是不錯的cout<<"SVM Training Start..."<<endl;SVM.train_auto(sampleFeatureMat, sampleLabelMat, Mat(), Mat(), params);SVM.save("SVM_Model.xml");cout<<"SVM Training Complete"<<endl; #endif#ifndef TRAINSVM.load("SVM_Model.xml");//加載模型文件 #endifdescriptorDim = SVM.get_var_count();int supportVectorNum = SVM.get_support_vector_count();cout<<"support vector num: "<< supportVectorNum <<endl;Mat alphaMat = Mat::zeros(1, supportVectorNum, CV_32FC1);Mat supportVectorMat = Mat::zeros(supportVectorNum, descriptorDim, CV_32FC1);Mat resultMat = Mat::zeros(1, descriptorDim, CV_32FC1);for (int i = 0; i < supportVectorNum; i++)//復制支持向量矩陣{const float * pSupportVectorData = SVM.get_support_vector(i);for(int j = 0 ;j < descriptorDim; j++){supportVectorMat.at<float>(i,j) = pSupportVectorData[j];}}double *pAlphaData = SVM.get_alpha_data();for (int i = 0; i < supportVectorNum; i++)//復制函數中的alpha 記住決策公式Y= wx+b{alphaMat.at<float>(0, i) = pAlphaData[i];}resultMat = -1 * alphaMat * supportVectorMat; //alphaMat就是權重向量//cout<<resultMat;cout<<"描述子維數 "<<descriptorDim<<endl;vector<float> myDetector;for (int i = 0 ;i < descriptorDim; i++){myDetector.push_back(resultMat.at<float>(0, i));}rho = SVM.get_rho_data();myDetector.push_back(rho);cout<<"檢測子維數 "<<myDetector.size()<<endl;HOGDescriptor myHOG (Size(128, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9); myHOG.setSVMDetector(myDetector);//設置檢測子//保存檢測子int minusNum = 0;int posNum = 0;ofstream foutDetector("HogDetectorForCarFace.txt");for (int i = 0 ;i < myDetector.size(); i++){foutDetector<<myDetector[i]<<" ";//cout<<myDetector[i]<<" ";}//cout<<endl<<"posNum "<<posNum<<endl;//cout<<endl<<"minusNum "<<minusNum<<endl;foutDetector.close();//test partifstream fInTest("D:\\DataSet\\CarFaceDataSet\\testSample.txt");while (fInTest){if(getline(fInTest, buffer)){testSamples.push_back(basePath + buffer);}}testSampleNum = testSamples.size();fInTest.close();for (int i = 0; i < testSamples.size(); i++){Mat testImg = imread(testSamples[i]);Size dsize = Size(320, 240);Mat testImgNorm (dsize, CV_32S);resize(testImg, testImgNorm, dsize);vector<Rect> found, foundFiltered;cout<<"MultiScale detect "<<endl; myHOG.detectMultiScale(testImgNorm, found, 0, Size(8,8), Size(0,0), 1.05, 2);cout<<"Detected Rect Num"<< found.size()<<endl;for (int i = 0; i < found.size(); i++)//查看是否有嵌套的矩形框{Rect r = found[i];int j = 0;for (; j < found.size(); j++){if ( i != j && (r & found[j]) == r){break;}}if(j == found.size())foundFiltered.push_back(r);}for( int i = 0; i < foundFiltered.size(); i++)//畫出矩形框{Rect r = foundFiltered[i]; rectangle(testImgNorm, r.tl(), r.br(), Scalar(0,255,0), 1); }imshow("test",testImgNorm);waitKey();}system("pause");}

結果如下：

總體效果還是不錯的，如果對hardexample，進行進一步訓練，以及樣本的數據進行clean，相信精度還可以進一步提高，并且現在維數也比價高，位了加快檢測還可以用PCA進一步降維，但必須自己重新寫detector了哦，一定要好好理解一下detector，其實hog + svm的代碼很多，本質上都是差不多的。

原地址：https://www.cnblogs.com/louyihang-loves-baiyan/p/4658478.html

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的【机器学习】HOG+SVM进行车辆检测的流程及源码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。