在進行機器學習檢測車道線時，參考了這篇博文，基於LBP+SVM實現了車道線檢測的初步效果。覺得講解很到位，程式碼也容易理解和修改，故在此分享，供更多人學習。原地址：https://www.cnblogs.com/louyihang-loves-baiyan/p/4658478.html

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特徵與SVM，Hog特徵是由dalal在2005年提出的用於道路中行人檢測的方法，並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，先不考慮複雜的深度學習，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特徵，Hog特徵是梯度方向直方圖，是一種底層的視覺特徵，主要描述的是影象中的梯度分佈情況，而梯度分佈資訊主要是集中在影象中不同內容之間的邊界之處，可以較好的反應影象的基本輪廓面貌。在此處並不展開對描述子的詳細介紹，給出一個我當時看的部落格連結，對描述子原理分析的比較透徹。

hog特徵原理

接下來是整個特徵提取、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影象，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.在程式中匯入測試樣本，分別提取相應的Hog特徵，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，儘量是不要改變其比例。
　　2.2．在hog特徵描述子初始化的時候，需要設定視窗大小，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，視窗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特徵，我在這裡採用的是128×128的規模，是正方形的車臉，描述子規模是8100維。
4.SVM採用opencv中自帶的，其實opencv中採用的也是某一個版本的LIBSVM，只是重新封裝了介面的操作而已。
5.在SVM處，需要注意的是如果之後你要用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特徵，而且opencv自帶的只支援線性的，如果你要用高斯特徵即RBF核，不可以採用setSVMDetector，你用了就會出錯，根本檢測不到真實的位置，這裡非常關鍵，你如果要做分類的話可以直接呼叫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，檢測視窗的大小必須和訓練樣本的尺寸是一樣的，就是訓練時的Hog視窗大小和檢測時Hog視窗大小必須保持一致，剩下的就是檢測過程中看看沒有沒巢狀什麼的，程式碼如下：

#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 TRAIN
        ifstream 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;//樣本特徵向量矩陣
        Mat sampleLabelMat;//樣本標籤

        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徵矩陣的尺寸
            {
                sampleFeatureMat = Mat::zeros(posSampleNum + negSampleNum, descriptorDim, CV_32FC1);
                sampleLabelMat = Mat::zeros(posSampleNum + negSampleNum, 1, CV_32FC1);
            }

            for(int j = 0; j < descriptorDim; j++)//將特徵向量複製到矩陣中
            {
                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++)//將特徵向量複製到矩陣中
            {
                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 訓練後再新增

        ofstream foutFeature("SampleFeatureMat.txt");//儲存特徵向量檔案
        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);  //這裡一定要注意，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效能還是不錯的
        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 TRAIN
        SVM.load("SVM_Model.xml");//載入模型檔案
#endif
    descriptorDim = 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++)//複製支援向量矩陣
    {
        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++)//複製函式中的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);//設定檢測子

    //儲存檢測子
    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 part
    ifstream 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++)//檢視是否有巢狀的矩形框
        {
            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，以及樣本的資料進行clean，相信精度還可以進一步提高，並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的程式碼很多，本質上都是差不多的。