HOG+SVM训练进行行人检测

# HOG+SVM进行行人检测 > 运行环境为：Ubuntu 16.04 && OpenCV 2.4.13 > 代码参考自：http://blog.csdn.net/masibuaa/article/details/16105073 > INRIA Person数据库下载： 【[相关说明](http://pascal.inrialpes.fr/data/human/)】 >【直接下载地址（970M）】ftp://ftp.inrialpes.fr/pub/lear/douze/data/INRIAPerson.tar ## 开始前的准备工作 开始前建立文件夹用于存储正负样本和HardExample，正样本图片直接复制INRIA中的正样本图片，负样本图片通过裁剪得到。 ```shell $ mkdir -p dataset/pos dataset/neg dataset/HardExample $ cp INRIAPerson/96X160H96/Train/pos/* dataset/pos/ ``` ## 编译出可执行文件 ```shell $ cmake . $ make ``` > 也可以在命令行使用`g++`编译出可执行文件，例如 ```shell $ g++ -o CropImage crop_image.cpp $(pkg-config opencv --cflags --libs) $ g++ -o SvmTrainUseHog main.cpp $(pkg-config opencv --cflags --libs) $ g++ -o GetHardExample find_save_HardExample.cpp $(pkg-config opencv --cflags --libs) $ g++ -o ImageDetect image_detect.cpp $(pkg-config opencv --cflags --libs) $ g++ -o VideoDetect video_detect.cpp $(pkg-config opencv --cflags --libs) $ g++ -o PeopleDetect peopledetect.cpp $(pkg-config opencv --cflags --libs) ``` ## 第一步，裁剪出负样本图片 INRIA中有1218张负样本图片，`CropImage`从每一张图片中随机裁剪出10张大小为64x128的图片，最终总共会得到12180张图片，存储在dataset/neg文件夹中。上面已经编译出了可执行文件，直接通过`CropImage`裁剪出负样本图片。 ```shell $ ./CropImage ``` ## 第二步，使用正负样本进行训练 先修改 `dataset.h` 里面参数，将 `TRAIN` 由 `false` 改为 `true` , 以进行训练，参数修改后需通过 `make` 重新编译可执行文件，然后通过 `SvmTrainUseHog` 开始训练。 ```shell $ make $ ./SvmTrainUseHog ``` 到这里已经得到了 `SVM_HOG.xml` 可以用来进行检测，但是检测效果不太好，所以下面加入 HardExample 来进行进一步训练。 ## 第三步，得到HardExample 通过 `GetHardExample` 从 INRIA 原始的负样本图片中检测出 HardExample ，图片会保存到 dataset/HardExample ```shell $ ./GetHardExample ``` ## 第四步，将正负样本和HardExample一起重新进行训练 将 HardExample 图片列表写入文件 `HardExample_FromINRIA_NegList.txt` ， 修改 `dataset.h` 里面的参数，将 `HardExampleNO` 由 `0` 改为第三步中得到的图片数目，修改后通过 `make` 重新编译可执行文件，最后通过 `SvmTrainUseHog` 重新训练。 ```shell $ ls dataset/HardExample/ >HardExample_FromINRIA_NegList.txt $ make $ ./SvmTrainUseHog ``` ## 至此训练完成。 检测示例图片：  ## 其它说明 * `SVM_HOG.xml`为最终训练好的SVM分类器 * `ImageDetect`可对图片进行检测 * `VideoDetect`可对视频进行检测 * `PeopleDetect`为OpenCV默认参数的行人检测程序 ## [More](https://github.com/icsfy/Pedestrian_Detection/blob/master/MORE.md)