自行利用SVM+HOG做分類器進行檢測的時候報錯

#include <iostream>

#include <fstream>

#include <opencv2/core/core.hpp>

#include <opencv2/highgui/highgui.hpp>

#include <opencv2/imgproc/imgproc.hpp>

#include <opencv2/objdetect/objdetect.hpp>

#include <opencv2/ml/ml.hpp>



#include <time.h>

using namespace std;

using namespace cv;



#define PosSamNO 1014    //正樣本個數

#define NegSamNO 819    //負樣本個數



//#define TRAIN true    //是否進行訓練,true表示重新訓練，false表示讀取xml檔案中的SVM模型

#define TRAIN false

#define CENTRAL_CROP true   //true:訓練時，對96*160的INRIA正樣本圖片剪裁出中間的64*128大小



//HardExample：負樣本個數。如果HardExampleNO大于0，表示處理完初始負樣本集后，繼續處理HardExample負樣本集。

#define HardExampleNO 0





//繼承自CvSVM的類，因為生成setSVMDetector()中用到的檢測子引數時，需要用到訓練好的SVM的decision_func引數，

//但通過查看CvSVM原始碼可知decision_func引數是protected型別變數，無法直接訪問到，只能繼承之后通過函式訪問

class MySVM : public CvSVM

{

public:

	//獲得SVM的決策函式中的alpha陣列

	double * get_alpha_vector()

	{

		return this->decision_func->alpha;

	}



	//獲得SVM的決策函式中的rho引數,即偏移量

	float get_rho()

	{

		return this->decision_func->rho;

	}

};







int main()

{

	HOGDescriptor hog(Size(32,32),Size(8,8),Size(4,4),Size(4,4),9);//HOG檢測器，用來計算HOG描述子的

	//HOGDescriptor hog(Size(64,64),Size(16,16),Size(8,8),Size(8,8),9);//HOG檢測器，用來計算HOG描述子的

	int DescriptorDim;//HOG描述子的維數，由圖片大小、檢測視窗大小、塊大小、細胞單元中直方圖bin個數決定

	MySVM svm;//SVM分類器



	//若TRAIN為true，重新訓練分類器

	if(TRAIN)

	{

		string ImgName;//圖片名(絕對路徑)

		//ifstream finPos("C:\\Users\\Administrator\\Desktop\\positive_resize_32_32\\0000suitble_pos.txt");//正樣本圖片的檔案名串列

		ifstream finPos("E:\\pos.txt");//正樣本圖片的檔案名串列

		ifstream finNeg("E:\\neg.txt");//負樣本圖片的檔案名串列

		

                Mat sampleFeatureMat;//所有訓練樣本的特征向量組成的矩陣，行數等于所有樣本的個數，列數等于HOG描述子維數	

		Mat sampleLabelMat;//訓練樣本的類別向量，行數等于所有樣本的個數，列數等于1；1表示有，-1表示無





		//依次讀取正樣本圖片，生成HOG描述子

		for(int num=0; num<PosSamNO && getline(finPos,ImgName); num++)

		{

			cout<<"處理："<<ImgName<<endl;

			//ImgName = "D:\\DataSet\\PersonFromVOC2012\\" + ImgName;//加上正樣本的路徑名

			ImgName = "E:\\pos\\" + ImgName;//加上正樣本的路徑名

			Mat src = imread(ImgName);//讀取圖片

			//if(CENTRAL_CROP)

			//	src = src(Rect(16,16,64,128));//將96*160的INRIA正樣本圖片剪裁為64*128，即剪去上下左右各16個像素

			//resize(src,src,Size(64,128));



			vector<float> descriptors;//HOG描述子向量

			hog.compute(src,descriptors,Size(4,4));//計算HOG描述子，檢測視窗移動步長(4,4)

			//hog.compute(src,descriptors,Size(8,8));//計算HOG描述子，檢測視窗移動步長(8,8)

			//cout<<"描述子維數："<<descriptors.size()<<endl;



			//處理第一個樣本時初始化特征向量矩陣和類別矩陣，因為只有知道了特征向量的維數才能初始化特征向量矩陣

			if( 0 == num )

			{

				DescriptorDim = descriptors.size();//HOG描述子的維數

				//初始化所有訓練樣本的特征向量組成的矩陣，行數等于所有樣本的個數，列數等于HOG描述子維數sampleFeatureMat

				sampleFeatureMat = Mat::zeros(PosSamNO+NegSamNO, DescriptorDim, CV_32FC1);

				//初始化訓練樣本的類別向量，行數等于所有樣本的個數，列數等于1；1表示有，0表示無

				sampleLabelMat = Mat::zeros(PosSamNO+NegSamNO, 1, CV_32FC1);

			}



			//將計算好的HOG描述子復制到樣本特征矩陣sampleFeatureMat

			for(int i=0; i<DescriptorDim; i++)

				sampleFeatureMat.at<float>(num,i) = descriptors[i];//第num個樣本的特征向量中的第i個元素

			sampleLabelMat.at<float>(num,0) = 1;//正樣本類別為1，有

		}



		//依次讀取負樣本圖片，生成HOG描述子

		for(int num=0; num<NegSamNO && getline(finNeg,ImgName); num++)

		{

			cout<<"處理："<<ImgName<<endl;

			ImgName = "E:\\neg\\" + ImgName;//加上負樣本的路徑名

			Mat src = imread(ImgName);//讀取圖片

			//resize(src,img,Size(64,128));



			vector<float> descriptors;//HOG描述子向量

			hog.compute(src,descriptors,Size(4,4));//計算HOG描述子，檢測視窗移動步長(4,4)

			//hog.compute(src,descriptors,Size(8,8));//計算HOG描述子，檢測視窗移動步長(8,8)

			//cout<<"描述子維數："<<descriptors.size()<<endl;



			//將計算好的HOG描述子復制到樣本特征矩陣sampleFeatureMat

			for(int i=0; i<DescriptorDim; i++)

				sampleFeatureMat.at<float>(num+PosSamNO,i) = descriptors[i];//第PosSamNO+num個樣本的特征向量中的第i個元素

			sampleLabelMat.at<float>(num+PosSamNO,0) = -1;//負樣本類別為-1，無

		}



		////處理HardExample負樣本

		//if(HardExampleNO > 0)

		//{

		//	ifstream finHardExample("HardExample_2400PosINRIA_12000NegList.txt");//HardExample負樣本的檔案名串列

		//	//依次讀取HardExample負樣本圖片，生成HOG描述子

		//	for(int num=0; num<HardExampleNO && getline(finHardExample,ImgName); num++)

		//	{

		//		cout<<"處理："<<ImgName<<endl;

		//		ImgName = "D:\\DataSet\\HardExample_2400PosINRIA_12000Neg\\" + ImgName;//加上HardExample負樣本的路徑名

		//		Mat src = imread(ImgName);//讀取圖片

		//		//resize(src,img,Size(64,128));



		//		vector<float> descriptors;//HOG描述子向量

		//		hog.compute(src,descriptors,Size(8,8));//計算HOG描述子，檢測視窗移動步長(8,8)

		//		//cout<<"描述子維數："<<descriptors.size()<<endl;



		//		//將計算好的HOG描述子復制到樣本特征矩陣sampleFeatureMat

		//		for(int i=0; i<DescriptorDim; i++)

		//			sampleFeatureMat.at<float>(num+PosSamNO+NegSamNO,i) = descriptors[i];//第PosSamNO+num個樣本的特征向量中的第i個元素

		//		sampleLabelMat.at<float>(num+PosSamNO+NegSamNO,0) = -1;//負樣本類別為-1，無

		//	}

		//}



		////輸出樣本的HOG特征向量矩陣到檔案

		//ofstream fout("SampleFeatureMat.txt");

		//for(int i=0; i<PosSamNO+NegSamNO; i++)

		//{

		//	fout<<i<<endl;

		//	for(int j=0; j<DescriptorDim; j++)

		//		fout<<sampleFeatureMat.at<float>(i,j)<<"  ";

		//	fout<<endl;

		//}



		//訓練SVM分類器

		//迭代終止條件，當迭代滿1000次或誤差小于FLT_EPSILON時停止迭代

		CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 1000, FLT_EPSILON);

		//SVM引數：SVM型別為C_SVC；線性核函式；松弛因子C=0.01

		CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria);

		cout<<"開始訓練SVM分類器"<<endl;

		svm.train(sampleFeatureMat, sampleLabelMat, Mat(), Mat(), param);//訓練分類器

		cout<<"訓練完成"<<endl;

		//svm.save("svm_hog_pos3184_neg6006_32_32.xml");//將訓練好的SVM模型保存為xml檔案

		svm.save("svm_hog_pos1014_neg819_64_64.xml");//將訓練好的SVM模型保存為xml檔案

	}

	else //若TRAIN為false，從XML檔案讀取訓練好的分類器

	{

		//svm.load("SVM_HOG_2400PosINRIA_12000Neg_HardExample(誤報少了漏檢多了).xml");//從XML檔案讀取訓練好的SVM模型

		//svm.load("svm_hog_pos3184_neg6006_32_32.xml");//從XML檔案讀取訓練好的SVM模型

		//svm.load("SVM_HOG_1500PosINRIA_2000Neg(太多誤報).xml");

		svm.load("svm_hog_pos1014_neg819_64_64.xml");

	}



	clock_t start_time,end_time;

	start_time = clock();

	

	

	/*************************************************************************************************

	得到了一個分類器，利用該分類器，直接替換opencv中檢測默認的那個分類器（cv::HOGDescriptor::setSVMDetector()），

	就可以利用你的訓練樣本訓練出來的分類器進行檢測了。

	***************************************************************************************************/

	DescriptorDim = svm.get_var_count();//特征向量的維數，即HOG描述子的維數

	cout<<"特征描述子的維數："<<DescriptorDim<<endl;

	int supportVectorNum = svm.get_support_vector_count();//支持向量的個數

	cout<<"支持向量個數："<<supportVectorNum<<endl;



	Mat alphaMat = Mat::zeros(1, supportVectorNum, CV_32FC1);//alpha向量，長度等于支持向量個數

	Mat supportVectorMat = Mat::zeros(supportVectorNum, DescriptorDim, CV_32FC1);//支持向量矩陣

	Mat resultMat = Mat::zeros(1, DescriptorDim, CV_32FC1);//alpha向量乘以支持向量矩陣的結果



	//將支持向量的資料復制到supportVectorMat矩陣中

	for(int i=0; i<supportVectorNum; i++)

	{

		const float * pSVData = svm.get_support_vector(i);//回傳第i個支持向量的資料指標

		for(int j=0; j<DescriptorDim; j++)

		{

			//cout<<pData[j]<<" ";

			supportVectorMat.at<float>(i,j) = pSVData[j];

		}

	}



	//將alpha向量的資料復制到alphaMat中

	double * pAlphaData = svm.get_alpha_vector();//回傳SVM的決策函式中的alpha向量

	for(int i=0; i<supportVectorNum; i++)

	{

		alphaMat.at<float>(0,i) = pAlphaData[i];

	}



	//計算-(alphaMat * supportVectorMat),結果放到resultMat中

	//gemm(alphaMat, supportVectorMat, -1, 0, 1, resultMat);//不知道為什么加負號？

	resultMat = -1 * alphaMat * supportVectorMat;



	//得到最終的setSVMDetector(const vector<float>& detector)引數中可用的檢測子

	vector<float> myDetector;

	//將resultMat中的資料復制到陣列myDetector中

	for(int i=0; i<DescriptorDim; i++)

	{

		myDetector.push_back(resultMat.at<float>(0,i));

	}

	//最后添加偏移量rho，得到檢測子

	myDetector.push_back(svm.get_rho());

	cout<<"檢測子維數："<<myDetector.size()<<endl;

	//設定HOGDescriptor的檢測子

	HOGDescriptor myHOG;

	myHOG.setSVMDetector(myDetector);

	//myHOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());



	////保存檢測子引數到檔案

	//ofstream fout("HOGDetectorForOpenCV.txt");

	//for(int i=0; i<myDetector.size(); i++)

	//{

	//	fout<<myDetector[i]<<endl;

	//}





	/**************讀入圖片進行HOG檢測******************/

	//Mat src_src = imread("00000.jpg");

	Mat src_src = imread("G5_20160817_104455.bmp");

	//Mat src_src = imread("13_20161012_094200_T_CH1_P1.jpg");

	//Mat src_src = imread("1.png");

	//imshow("src_src",src_src);

	//waitKey(10);

	Mat src;

	resize(src_src,src,Size(640,640));

	//Mat src = imread("1.png");

	vector<Rect> found, found_filtered;//矩形框陣列

	cout<<"進行多尺度HOG檢測"<<endl;

	myHOG.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);//對圖片進行多尺度檢測

	cout<<"找到的矩形框個數："<<found.size()<<endl;



	//找出所有沒有嵌套的矩形框r,并放入found_filtered中,如果有嵌套的話,則取外面最大的那個矩形框放入found_filtered中

	for(int i=0; i < found.size(); i++)

	{

		Rect r = found[i];

		int j=0;

		for(; j < found.size(); j++)

			if(j != i && (r & found[j]) == r)

				break;

		if( j == found.size())

			found_filtered.push_back(r);

	}



	//畫矩形框，hog檢測出的矩形框比實際框要稍微大些,這里需要做一些調整

	for(int i=0; i<found_filtered.size(); i++)

	{

		Rect r = found_filtered[i];

		r.x += cvRound(r.width*0.1);

		r.width = cvRound(r.width*0.8);

		r.y += cvRound(r.height*0.07);

		r.height = cvRound(r.height*0.8);

		rectangle(src, r.tl(), r.br(), Scalar(0,255,0), 3);

	}



	//imwrite("ImgProcessed.jpg",src);

	//namedWindow("src",0);

	imshow("src",src);

	//waitKey(10);//注意：imshow之后必須加waitKey，否則無法顯示影像

	end_time = clock();

	double all_time = (end_time-start_time)/* / CLOCKS_PER_SEC*/;

	cout<<"共耗費"<<all_time<<"ms"<<endl;

	/******************讀入單個64*128的測驗圖并對其HOG描述子進行分類*********************/

	////讀取測驗圖片(64*128大小)，并計算其HOG描述子

	////Mat testImg = imread("person014142.jpg");

	//Mat testImg = imread("noperson000026.jpg");

	//vector<float> descriptor;

	//hog.compute(testImg,descriptor,Size(8,8));//計算HOG描述子，檢測視窗移動步長(8,8)

	//Mat testFeatureMat = Mat::zeros(1,3780,CV_32FC1);//測驗樣本的特征向量矩陣

	////將計算好的HOG描述子復制到testFeatureMat矩陣中

	//for(int i=0; i<descriptor.size(); i++)

	//	testFeatureMat.at<float>(0,i) = descriptor[i];



	////用訓練好的SVM分類器對測驗圖片的特征向量進行分類

	//int result = svm.predict(testFeatureMat);//回傳類標

	//cout<<"分類結果："<<result<<endl;





	waitKey();

	system("pause");

}

在訓練分類器的時候提示正常，顯示訓練完成并且得到了對應的XML檔案，但是在進行檢測的時候，會提示
OpenCV Error: Assertion failed <checkDetectorSize<>> in cv::HOGDescriptor::setSVMDetector,  file ..\..\..\..\opencv\modules\objdetect\src\hog.cpp, line89
第89行代碼如下
   CV_Assert( checkDetectorSize() );

uj5u.com熱心網友回復：

請問樓主解決了嗎，我也遇到這個問題了，求指教

uj5u.com熱心網友回復：

我也報這個錯，無語了~誰知道怎么解決啊？

uj5u.com熱心網友回復：

用的vs2015吧？  
專案-屬性-配置屬性-常規-平臺工具集，設為低版本vs即可  
在VS2015一直不行，平臺換成2012就真的可以了

uj5u.com熱心網友回復：

//設定HOGDescriptor的檢測子  
HOGDescriptor myHOG(Size(64, 64), Size(16, 16), Size(8, 8), Size(8, 8), 9);
myHOG.setSVMDetector(myDetector)

你訓練時的圖片的大小要和檢測視窗HOGDescriptor 的第一個引數大小一致，我訓練時正負樣本的大小都是64x64的  所以第一個引數為Size(64, 64)

開始也遇到了這個問題   不過我當時之定義了檢測子HOGDescriptor myHOG  忘了給他設定大小  就是沒加(Size(64, 64), Size(16, 16), Size(8, 8), Size(8, 8), 9);
 后來加上就可以了    希望能有用  我也是第一次訓練這個  (#^.^#)

uj5u.com熱心網友回復：

LZ  你之前定義了 HOGDescriptor hog(Size(32,32),Size(8,8),Size(4,4),Size(4,4),9);//HOG檢測器，用來計算HOG描述子的
但是你這個hog 沒用上  你下邊又定義了一個
HOGDescriptor myHOG;
 myHOG.setSVMDetector(myDetector);
但是這個檢測子myHOG需要設定大小
改為HOGDescriptor myHOG(Size(32,32),Size(8,8),Size(4,4),Size(4,4),9);就可以了

uj5u.com熱心網友回復：

參考 4 樓 Daaweilee 的回復:

//設定HOGDescriptor的檢測子  
HOGDescriptor myHOG(Size(64, 64), Size(16, 16), Size(8, 8), Size(8, 8), 9);
myHOG.setSVMDetector(myDetector)

你訓練時的圖片的大小要和檢測視窗HOGDescriptor 的第一個引數大小一致，我訓練時正負樣本的大小都是64x64的  所以第一個引數為Size(64, 64)

開始也遇到了這個問題   不過我當時之定義了檢測子HOGDescriptor myHOG  忘了給他設定大小  就是沒加(Size(64, 64), Size(16, 16), Size(8, 8), Size(8, 8), 9);
 后來加上就可以了    希望能有用  我也是第一次訓練這個  (#^.^#)

正解，謝謝，解決了我的問題

uj5u.com熱心網友回復：

確實是正解，

uj5u.com熱心網友回復：

正解。。。。。厲害

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/251111.html

標籤：機器視覺

上一篇：go有沒有兩個map取交集的辦法

下一篇：我自己和我自己的文章高度重合？