void hogSVMTrain(HOGDescriptor &myHOG,bool TRAIN,bool HORZ) { //检测窗口(64,128),块尺寸(16,16),块步长(8,8),cell尺寸(8,8),直方图bin个数9 //HOGDescriptor hog_vertical(Size(15,30),Size(5,10),Size(5,5),Size(5,5),9,1,-1.0,0,0.2,true,32);//HOG检测器,用来计算HOG描述子的 //HOGDescriptor hog_horz(Size(30,15),Size(10,5),Size(5,5),Size(5,5),9,1,-1.0,0,0.2,true,32); HOGDescriptor hog_vertical(Win_vertical,block_vertical,blockStride_vertical,cell_vertical,9,1,-1.0,0,0.2,true,64);//HOG检测器,用来计算HOG描述子的 HOGDescriptor hog_horz(Size(36,12),Size(12,6),Size(6,6),Size(6,6),9,1,-1.0,0,0.2,true,64); int DescriptorDim;//HOG描述子的维数,由图片大小、检测窗口大小、块大小、细胞单元中直方图bin个数决定 MySVM svm;//SVM分类器 int WinStride; //若TRAIN为true,重新训练分类器 if(!HORZ) { if(TRAIN) { string ImgName;//图片名(绝对路径) ifstream finPos("D:\\JY\\JY_TrainingSamples\\positive\\positivePath.txt");//正样本图片的文件名列表 //ifstream finPos("D:\\JY\\JY_TrainingSamples\\Traffic Light Benchmark\\Positive\\pos.txt");//正样本图片的文件名列表 //ifstream finNeg("D:\\Traffic Light Detection\\JY_TrainingSamples\\negetive1\\negetive1.txt");//负样本图片的文件名列表 ifstream finNeg("D:\\JY\\JY_TrainingSamples\\negetive1\\negetive1.txt");//负样本图片的文件名列表 Mat sampleFeatureMat;//所有训练样本的特征向量组成的矩阵,行数等于所有样本的个数,列数等于HOG描述子维数 Mat sampleLabelMat;//训练样本的类别向量,行数等于所有样本的个数,列数等于1;1表示有人,-1表示无人 //依次读取正样本图片,生成HOG描述子 for(int num=0; num<PosSamNO && getline(finPos,ImgName); num++) { cout<<"处理:"<<ImgName<<endl; Mat src = imread(ImgName);//读取图片 //resize(src,src,Size(15,30)); resize(src,src,Win_vertical); vector<float> descriptors;//HOG描述子向量 hog_vertical.compute(src,descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) cout<<"描述子维数:"<<descriptors.size()<<endl; //处理第一个样本时初始化特征向量矩阵和类别矩阵,因为只有知道了特征向量的维数才能初始化特征向量矩阵 if( 0 == num ) { DescriptorDim = descriptors.size();//HOG描述子的维数 //初始化所有训练样本的特征向量组成的矩阵,行数等于所有样本的个数,列数等于HOG描述子维数sampleFeatureMat sampleFeatureMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, DescriptorDim, CV_32FC1); sampleLabelMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, 1, CV_32FC1); //sampleLabelMat = Mat::zeros(PosSamNO+5742*NegSamNO+HardExampleNO, 1, CV_32FC1); } //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat for(int i=0; i<DescriptorDim; i++) sampleFeatureMat.at<float>(num,i) = descriptors[i];//第num个样本的特征向量中的第i个元素 sampleLabelMat.at<float>(num,0) = 1;//正样本类别为1,有人 } //依次读取负样本图片,生成HOG描述子 for(int num=0; num<NegSamNO && getline(finNeg,ImgName); num++) { cout<<"处理:"<<ImgName<<endl; Mat src = imread(ImgName);//读取图片 //resize(src,src,Size(15,30)); resize(src,src,Win_vertical); //cvtColor(src,gray,CV_RGB2GRAY); vector<float> descriptors;//HOG描述子向量 hog_vertical.compute(src,descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) cout<<"描述子维数:"<<descriptors.size()<<endl; //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat /* WinStride=descriptors.size()/DescriptorDim; for(int j=0;j<WinStride;j++) { for(int i=0; i<DescriptorDim; i++) sampleFeatureMat.at<float>(j+num*WinStride+PosSamNO,i) = descriptors[i+DescriptorDim*j];//第PosSamNO+num个样本的特征向量中的第i个元素 sampleLabelMat.at<float>(j+num*WinStride+PosSamNO,0) = -1;//负样本类别为-1,无人 }*/ for(int i=0; i<DescriptorDim; i++) sampleFeatureMat.at<float>(num+PosSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素 sampleLabelMat.at<float>(num+PosSamNO,0) = -1;//负样本类别为-1,无人 } //处理HardExample负样本 if(HardExampleNO > 0) { ifstream finHardExample("D:\\JY\\JY_TrainingSamples\\hardexample\\hardexample.txt");//HardExample负样本的文件名列表 //依次读取HardExample负样本图片,生成HOG描述子 for(int num=0; num<HardExampleNO && getline(finHardExample,ImgName); num++) { cout<<"处理:"<<ImgName<<endl; // ImgName = ImgName;//加上HardExample负样本的路径名 Mat src = imread(ImgName);//读取图片 //resize(src,src,Size(15,30)); resize(src,src,Win_vertical); //cvtColor(src,gray,CV_RGB2GRAY); vector<float> descriptors;//HOG描述子向量 hog_vertical.compute(src,descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) //hog_vertical.compute(src,descriptors,Size(5,5));//计算HOG描述子,检测窗口移动步长(8,8) //cout<<"描述子维数:"<<descriptors.size()<<endl; //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat for(int i=0; i<DescriptorDim; i++) sampleFeatureMat.at<float>(num+PosSamNO+NegSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素 sampleLabelMat.at<float>(num+PosSamNO+NegSamNO,0) = -1;//负样本类别为-1,无人 } } ////输出样本的HOG特征向量矩阵到文件 //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; //} //训练SVM分类器 //迭代终止条件,当迭代满1000次或误差小于FLT_EPSILON时停止迭代 CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 1000, FLT_EPSILON); //SVM参数:SVM类型为C_SVC;线性核函数;松弛因子C=0.01 CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria); cout<<"开始训练SVM分类器"<<endl; svm.train(sampleFeatureMat, sampleLabelMat, Mat(), Mat(), param);//训练分类器 cout<<"训练完成"<<endl; svm.save("src\\SVM_HOG_Benchmark.xml");//将训练好的SVM模型保存为xml文件 //svm.save("SVM_HOG_10_20.xml"); } else //若TRAIN为false,从XML文件读取训练好的分类器 { svm.load("src\\SVM_HOG_Benchmark.xml");//从XML文件读取训练好的SVM模型 // svm.load("SVM_HOG_10_20.xml"); } /************************************************************************************************* 线性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alpha,有一个浮点数,叫做rho; 将alpha矩阵同support vector相乘,注意,alpha*supportVector,将得到一个列向量。之后,再该列向量的最后添加一个元素rho。 如此,变得到了一个分类器,利用该分类器,直接替换opencv中行人检测默认的那个分类器(cv::HOGDescriptor::setSVMDetector()), 就可以利用你的训练样本训练出来的分类器进行行人检测了。 ***************************************************************************************************/ DescriptorDim = svm.get_var_count();//特征向量的维数,即HOG描述子的维数 int supportVectorNum = svm.get_support_vector_count();//支持向量的个数 // cout<<"支持向量个数:"<<supportVectorNum<<endl; Mat alphaMat = Mat::zeros(1, supportVectorNum, CV_32FC1);//alpha向量,长度等于支持向量个数 Mat supportVectorMat = Mat::zeros(supportVectorNum, DescriptorDim, CV_32FC1);//支持向量矩阵 Mat resultMat = Mat::zeros(1, DescriptorDim, CV_32FC1);//alpha向量乘以支持向量矩阵的结果 //将支持向量的数据复制到supportVectorMat矩阵中 for(int i=0; i<supportVectorNum; i++) { const float * pSVData = svm.get_support_vector(i);//返回第i个支持向量的数据指针 for(int j=0; j<DescriptorDim; j++) { //cout<<pData[j]<<" "; supportVectorMat.at<float>(i,j) = pSVData[j]; } } //将alpha向量的数据复制到alphaMat中 double * pAlphaData = svm.get_alpha_vector();//返回SVM的决策函数中的alpha向量 for(int i=0; i<supportVectorNum; i++) { alphaMat.at<float>(0,i) = pAlphaData[i]; } //计算-(alphaMat * supportVectorMat),结果放到resultMat中 //gemm(alphaMat, supportVectorMat, -1, 0, 1, resultMat);//不知道为什么加负号? resultMat = -1 * alphaMat * supportVectorMat; //得到最终的setSVMDetector(const vector<float>& detector)参数中可用的检测子 vector<float> myDetector; //将resultMat中的数据复制到数组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,得到检测子 myDetector.push_back(svm.get_rho()); // cout<<"检测子维数:"<<myDetector.size()<<endl; //设置HOGDescriptor的检测子 // HOGDescriptor myHOG_vertical(Size(15,30),Size(5,10),Size(5,5),Size(5,5),9,1,-1.0,0,0.2,true,34);//此处若不加括号中的参数会采用opencv中默认的HOG检测子参数,会与之前设定的参数矛盾,纠结了一下午!!! myHOG.setSVMDetector(myDetector);//传入hog_vertical.cpp中的setSVMDetector函数中的svmDetector中 //myDetector.push_back(svm.get_rho());/////////////////////////////////daigai //myHOG_vertical.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector()); //保存检测子参数到文件 ofstream fout("src\\HOGDetectorForOpenCV_BenchMark.txt"); for(int i=0; i<myDetector.size(); i++) { fout<<myDetector[i]<<endl; } } else { if(TRAIN) { string horz_ImgName;//图片名(绝对路径) ifstream horz_finPos("D:\\Traffic Light Detection\\JY_TrainingSamples\\horz_positive\\horz_Pos.txt"); ifstream horz_finNeg("D:\\Traffic Light Detection\\JY_TrainingSamples\\horz_Neg\\horz_Neg.txt"); // ifstream finNeg("C:\\Users\\JY\\Desktop\\test\\test.txt");//负样本图片的文件名列表 Mat Horz_sampleFeatureMat;//所有训练样本的特征向量组成的矩阵,行数等于所有样本的个数,列数等于HOG描述子维数 Mat Horz_sampleLabelMat;//训练样本的类别向量,行数等于所有样本的个数,列数等于1;1表示有人,-1表示无人 //依次读取正样本图片,生成HOG描述子 for(int num=0; num<HORZ_PosSamNO && getline(horz_finPos,horz_ImgName); num++) { cout<<"处理:"<<horz_ImgName<<endl; Mat horz_src = imread(horz_ImgName);//读取图片 resize(horz_src,horz_src,Size(30,15)); //resize(horz_src,horz_src,Size(50,20)); vector<float> horz_descriptors;//HOG描述子向量 hog_horz.compute(horz_src,horz_descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) // hog_vertical.compute(src,descriptors,Size(5,5));//计算HOG描述子,检测窗口移动步长(8,8) cout<<"描述子维数:"<<horz_descriptors.size()<<endl; //处理第一个样本时初始化特征向量矩阵和类别矩阵,因为只有知道了特征向量的维数才能初始化特征向量矩阵 if( 0 == num ) { DescriptorDim = horz_descriptors.size();//HOG描述子的维数 //初始化所有训练样本的特征向量组成的矩阵,行数等于所有样本的个数,列数等于HOG描述子维数sampleFeatureMat Horz_sampleFeatureMat = Mat::zeros(HORZ_PosSamNO+HORZ_NegSamNO+HORZ_HardExampleNO, DescriptorDim, CV_32FC1); //sampleFeatureMat = Mat::zeros(PosSamNO+5742*NegSamNO+HardExampleNO, DescriptorDim, CV_32FC1); //初始化训练样本的类别向量,行数等于所有样本的个数,列数等于1;1表示有人,0表示无人 Horz_sampleLabelMat = Mat::zeros(HORZ_PosSamNO+HORZ_NegSamNO+HORZ_HardExampleNO, 1, CV_32FC1); //sampleLabelMat = Mat::zeros(PosSamNO+5742*NegSamNO+HardExampleNO, 1, CV_32FC1); } //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat for(int i=0; i<DescriptorDim; i++) Horz_sampleFeatureMat.at<float>(num,i) = horz_descriptors[i];//第num个样本的特征向量中的第i个元素 Horz_sampleLabelMat.at<float>(num,0) = 1;//正样本类别为1,有人 } //依次读取负样本图片,生成HOG描述子 for(int num=0; num<HORZ_NegSamNO && getline(horz_finNeg,horz_ImgName); num++) { cout<<"处理:"<<horz_ImgName<<endl; Mat horz_src = imread(horz_ImgName);//读取图片 //resize(src,src,Size(64,128)); resize(horz_src,horz_src,Size(30,15)); //resize(horz_src,horz_src,Size(50,20)); //cvtColor(src,gray,CV_RGB2GRAY); vector<float> horz_descriptors;//HOG描述子向量 hog_horz.compute(horz_src,horz_descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) cout<<"描述子维数:"<<horz_descriptors.size()<<endl; for(int i=0; i<DescriptorDim; i++) Horz_sampleFeatureMat.at<float>(num+HORZ_PosSamNO,i) = horz_descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素 Horz_sampleLabelMat.at<float>(num+HORZ_PosSamNO,0) = -1;//负样本类别为-1,无人 } //处理HardExample负样本 if(HORZ_HardExampleNO > 0) { ifstream horz_finHardExample("D:\\Traffic Light Detection\\JY_TrainingSamples\\horz_HardExample\\hardexample.txt");//HardExample负样本的文件名列表 //依次读取HardExample负样本图片,生成HOG描述子 for(int num=0; num<HORZ_HardExampleNO && getline(horz_finHardExample,horz_ImgName); num++) { cout<<"处理:"<<horz_ImgName<<endl; // ImgName = ImgName;//加上HardExample负样本的路径名 Mat horz_src = imread(horz_ImgName);//读取图片 //resize(src,src,Size(64,128)); resize(horz_src,horz_src,Size(30,15)); //resize(src,src,Size(10,20)); //cvtColor(src,gray,CV_RGB2GRAY); vector<float> horz_descriptors;//HOG描述子向量 hog_horz.compute(horz_src,horz_descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) //hog_vertical.compute(src,descriptors,Size(5,5));//计算HOG描述子,检测窗口移动步长(8,8) //cout<<"描述子维数:"<<descriptors.size()<<endl; //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat for(int i=0; i<DescriptorDim; i++) Horz_sampleFeatureMat.at<float>(num+HORZ_PosSamNO+HORZ_NegSamNO,i) = horz_descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素 Horz_sampleLabelMat.at<float>(num+HORZ_PosSamNO+HORZ_NegSamNO,0) = -1;//负样本类别为-1,无人 } } ////输出样本的HOG特征向量矩阵到文件 //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; //} //训练SVM分类器 //迭代终止条件,当迭代满1000次或误差小于FLT_EPSILON时停止迭代 CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 1000, FLT_EPSILON); //SVM参数:SVM类型为C_SVC;线性核函数;松弛因子C=0.01 CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria); cout<<"开始训练SVM分类器"<<endl; svm.train(Horz_sampleFeatureMat, Horz_sampleLabelMat, Mat(), Mat(), param);//训练分类器 cout<<"训练完成"<<endl; svm.save("src\\SVM_HOG_Horz.xml");//将训练好的SVM模型保存为xml文件 } else //若TRAIN为false,从XML文件读取训练好的分类器 { svm.load("src\\SVM_HOG_Horz.xml");//从XML文件读取训练好的SVM模型 } /************************************************************************************************* 线性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alpha,有一个浮点数,叫做rho; 将alpha矩阵同support vector相乘,注意,alpha*supportVector,将得到一个列向量。之后,再该列向量的最后添加一个元素rho。 如此,变得到了一个分类器,利用该分类器,直接替换opencv中行人检测默认的那个分类器(cv::HOGDescriptor::setSVMDetector()), 就可以利用你的训练样本训练出来的分类器进行行人检测了。 ***************************************************************************************************/ DescriptorDim = svm.get_var_count();//特征向量的维数,即HOG描述子的维数 int supportVectorNum = svm.get_support_vector_count();//支持向量的个数 cout<<"支持向量个数:"<<supportVectorNum<<endl; Mat alphaMat = Mat::zeros(1, supportVectorNum, CV_32FC1);//alpha向量,长度等于支持向量个数 Mat supportVectorMat = Mat::zeros(supportVectorNum, DescriptorDim, CV_32FC1);//支持向量矩阵 Mat resultMat = Mat::zeros(1, DescriptorDim, CV_32FC1);//alpha向量乘以支持向量矩阵的结果 //将支持向量的数据复制到supportVectorMat矩阵中 for(int i=0; i<supportVectorNum; i++) { const float * pSVData = svm.get_support_vector(i);//返回第i个支持向量的数据指针 for(int j=0; j<DescriptorDim; j++) { //cout<<pData[j]<<" "; supportVectorMat.at<float>(i,j) = pSVData[j]; } } //将alpha向量的数据复制到alphaMat中 double * pAlphaData = svm.get_alpha_vector();//返回SVM的决策函数中的alpha向量 for(int i=0; i<supportVectorNum; i++) { alphaMat.at<float>(0,i) = pAlphaData[i]; } //计算-(alphaMat * supportVectorMat),结果放到resultMat中 //gemm(alphaMat, supportVectorMat, -1, 0, 1, resultMat);//不知道为什么加负号? resultMat = -1 * alphaMat * supportVectorMat; //得到最终的setSVMDetector(const vector<float>& detector)参数中可用的检测子 vector<float> myDetector; //将resultMat中的数据复制到数组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,得到检测子 myDetector.push_back(svm.get_rho()); cout<<"检测子维数:"<<myDetector.size()<<endl; //设置HOGDescriptor的检测子 // HOGDescriptor myHOG_vertical(Size(15,30),Size(5,10),Size(5,5),Size(5,5),9,1,-1.0,0,0.2,true,34);//此处若不加括号中的参数会采用opencv中默认的HOG检测子参数,会与之前设定的参数矛盾,纠结了一下午!!! myHOG.setSVMDetector(myDetector);//传入hog_vertical.cpp中的setSVMDetector函数中的svmDetector中 //myDetector.push_back(svm.get_rho());/////////////////////////////////daigai //myHOG_vertical.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector()); //保存检测子参数到文件 ofstream fout("src\\HOGDetectorForOpenCV_horz.txt"); for(int i=0; i<myDetector.size(); i++) { fout<<myDetector[i]<<endl; } } }
int Train::trainHOGSVM(string PosSamPos, string PosSamListFile, string NegSamPos, string NegSamListFile, string HardSamPos, string HardSamListFile, string OutputSampleFeatureMatrixFile, string OutputHOGSVMFile){ //check the user set something or not. if ( PosSamNO == 0 ) { cout<<"Please set sample numbers first."<<endl; return -1; }else if ( ObjWidth == 0 ) { cout<<"Please set object size first."<<endl; return -1; } ////////////// use HOG to train svm classifier ////////////////////////// //detect window size HOGDescriptor hog(Size(ObjWidth,ObjHeigh), Size(16,16), Size(8,8), Size(8,8), 9); //the dimensions of HOG descriptor int DescriptorDim; //svm classifier MySVM svm; ////---- image input ----//// //the picture name string ImgName; //a file store the good and bad image examples' name ifstream finPos( PosSamListFile ); ifstream finNeg( NegSamListFile ); ifstream finHard( HardSamListFile ); //---- matrix of eigenvectors(numbers of images*DescriptorDim) for training examples ---- Mat sampleFeatureMat; //---- matrix of kinds of training examples(numbers of images*1[1 means have people and -1 means not]) ---- Mat sampleLabelMat; ///////////- 1. read good image examples to generate HOG descriptor -///////////// //////////////////////////////////////////////////////////////////////////////////// //here we need to input the car image cut out //we also need to adjust the image size. ///////////////////////////////////////////////////////////////////////////////// try{ for ( int num=0; num<PosSamNO && getline(finPos,ImgName); num++ ) { //get image cout<<"Handle: "<<ImgName<<endl; ImgName = PosSamPos + ImgName; Mat src = imread(ImgName); //compute HOG descriptor vector<float> descriptor; hog.compute(src,descriptor,Size(8,8)); //use the first example to initial the result matrix. if ( num == 0) { DescriptorDim = descriptor.size(); sampleFeatureMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, DescriptorDim, CV_32FC1); sampleLabelMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, 1, CV_32FC1); } //store the HOG descriptor computed. for ( int i=0; i<DescriptorDim; i++ ) { sampleFeatureMat.at<float>(num,i) = descriptor[i]; } sampleLabelMat.at<float>(num,0) = 1; } }catch(int e){ } ///////////- 2. read bad image examples to generate HOG descriptor -///////////// try{ for ( int num=0; num<NegSamNO && getline(finNeg,ImgName); num++ ) { cout<<"Handle: "<<ImgName<<endl; ImgName = NegSamPos + ImgName; Mat src = imread(ImgName); vector<float> descriptor; hog.compute(src,descriptor,Size(8,8)); for ( int i=0; i<DescriptorDim; i++ ) { sampleFeatureMat.at<float>(num+PosSamNO,i) = descriptor[i]; } sampleLabelMat.at<float>(num+PosSamNO,0) = -1; } }catch(int e){ } ///////////- 3. read hard image examples to generate HOG descriptor -///////////// try{ for ( int num=0; num<HardExampleNO && getline(finHard,ImgName); num++ ) { cout<<"Handle: "<<ImgName<<endl; ImgName = HardSamPos + ImgName; Mat src = imread(ImgName); vector<float> descriptor; hog.compute(src,descriptor,Size(8,8)); for ( int i=0; i<DescriptorDim; i++ ) { sampleFeatureMat.at<float>(num+PosSamNO+NegSamNO,i) = descriptor[i]; } sampleLabelMat.at<float>(num+PosSamNO+NegSamNO,0) = -1; } }catch(int e){ } /* ////- output files of vector matrix -//// ofstream fout( OutputSampleFeatureMatrixFile ); for ( int i=0; i<PosSamNO+NegSamNO+HardExampleNO; i++ ) { fout<<i<<endl; for( int j=0; j<DescriptorDim; j++ ){ fout<<sampleFeatureMat.at<float>(i,j)<<" "; } fout<<endl; } */ ////- train SVM classifier -//// //iteration finish condition: over 1000 times or mistake less than FLT_EPSILON CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER + CV_TERMCRIT_EPS, 1000, FLT_EPSILON); //SVM parameters: type, dim, relaxation factor CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria); cout<<"Train SVM Classifier..."<<endl; svm.train(sampleFeatureMat, sampleLabelMat, Mat(), Mat(), param); cout<<"Train SVM finished."<<endl; char outsave[512]; strcpy(outsave,OutputHOGSVMFile.c_str()); svm.save( outsave ); return 0; }