22

画像内のオブジェクトを検出したいプロジェクトがあります。私の目的はHOG機能を使用することです。OpenCV SVM実装を使用することで、人を検出するためのコードを見つけることができ、人ではなくオブジェクトを検出するためのパラメーターの調整に関するいくつかの論文を読みました。残念ながら、いくつかの理由でそれを行うことができませんでした。まず第一に、私はおそらくパラメーターを間違って調整しています、第二に、私はC ++の優れたプログラマーではありませんが、C ++ / OpenCVでそれを行う必要があります...ここでは、人々のHOG機能を検出するためのコードを見つけることができますC ++/OpenCVを使用します。

この画像でオブジェクトを検出したいとします。ここで、コードで変更しようとしたものを示しますが、うまくいきませんでした。

私が変更しようとしたコード:

HOGDescriptor hog;
hog.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());

次のパラメータで変更しようとしましgetDefaultPeopleDetector()たが、機能しませんでした。

(Size(64, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9, 0,-1, 0, 0.2, true, cv::HOGDescriptor::DEFAULT_NLEVELS)

次にベクトルを作成しようとしましたが、結果を印刷したいのですが、空のようです。

vector<float> detector;

HOGDescriptor hog(Size(64, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9, 0,-1, 0, 0.2, true, cv::HOGDescriptor::DEFAULT_NLEVELS);

hog.setSVMDetector(detector);

どうか、この問題を解決するのに助けが必要です。

4

3 に答える 3

37

opencv HOG記述子とSVM分類器を使用して任意のオブジェクトを検出するには、最初に分類器をトレーニングする必要があります。パラメータで遊んでもここでは役に立ちません、ごめんなさい:(。

大まかに言うと、次の手順を完了する必要があります。

ステップ1)検出したいオブジェクト(ポジティブサンプル)のトレーニング画像をいくつか準備します。また、関心のあるオブジェクト(ネガティブサンプル)のないいくつかの画像を準備する必要があります。

ステップ2)トレーニングサンプルのHOG機能を検出し、この機能を使用してSVM分類器(OpenCVでも提供)をトレーニングします。

ステップ3) HOGDescriptor :: setSVMDetector()メソッドでトレーニングされたSVM分類器の係数を使用します。

その場合にのみ、peopledetector.cppサンプルコードを使用して、検出するオブジェクトを検出できます。

于 2012-05-29T20:23:45.907 に答える
9

私は同じ問題に取り組んできましたが、作成したクリーンなC ++ソリューションがないことに驚いています〜>このSVMLightのラッパー<〜SVMTrainerは、クラスを提供SVMClassifierし、トレーニングを次のようなものに簡素化する静的ライブラリです。

// we are going to use HOG to obtain feature vectors:
HOGDescriptor hog;
hog.winSize = Size(32,48);

// and feed SVM with them:
SVMLight::SVMTrainer svm("features.dat");

次に、トレーニングサンプルごとに:

// obtain feature vector describing sample image:
vector<float> featureVector;
hog.compute(img, featureVector, Size(8, 8), Size(0, 0));

// and write feature vector to the file:
svm.writeFeatureVectorToFile(featureVector, true);      // true = positive sample

features.datファイルにすべてのサンプルの特徴ベクトルが含まれるまで、最後に次のように呼び出します。

std::string modelName("classifier.dat");
svm.trainAndSaveModel(modelName);

モデルを含むファイル(またはfeatures.dat分類器をトレーニングするだけのファイル)を作成したら、次のようにします。

SVMLight::SVMClassifier c(classifierModelName);
vector<float> descriptorVector = c.getDescriptorVector();
hog.setSVMDetector(descriptorVector);
...
vector<Rect> found;
Size padding(Size(0, 0));
Size winStride(Size(8, 8));
hog.detectMultiScale(segment, found, 0.0, winStride, padding, 1.01, 0.1);

詳細については、 HOGDescriptorのドキュメントを確認してください:)

于 2014-01-12T01:34:33.863 に答える
7

私はあなたと同じようなことをしました:HOGを使用してポジティブおよびネガティブ画像のサンプルを収集して車の特徴を抽出し、線形SVMを使用して特徴セットをトレーニングし(私はSVMライトを使用します)、モデルを使用してHOGマルチ検出機能を使用して車を検出します。

誤検知が多く発生した後、陽性サンプルと誤検知+陰性サンプルを使用してデータを再トレーニングします。次に、結果のモデルが再度テストされます。結果として得られる検出は改善されますが(誤検知が少なくなります)、結果は満足のいくものではありません(平均50%のヒット率と50%の誤検知)。マルチ検出パラメーターを調整すると、結果は向上しますが、それほどではありません(誤検知が10%少なくなり、ヒット率が高くなります)。

編集 必要に応じてソースコードを共有できますが、HOGを使用しても満足のいく結果が得られないため、非常にオープンに話し合います。とにかく、コードはトレーニングと検出にHOGを使用するための良い出発点になると思います

編集:コードを追加する

static void calculateFeaturesFromInput(const string& imageFilename, vector<float>& featureVector, HOGDescriptor& hog) 
{
    Mat imageData = imread(imageFilename, 1);
    if (imageData.empty()) {
        featureVector.clear();
        printf("Error: HOG image '%s' is empty, features calculation skipped!\n", imageFilename.c_str());
        return;
    }
    // Check for mismatching dimensions
    if (imageData.cols != hog.winSize.width || imageData.rows != hog.winSize.height) {
       featureVector.clear();
       printf("Error: Image '%s' dimensions (%u x %u) do not match HOG window size (%u x %u)!\n", imageFilename.c_str(), imageData.cols, imageData.rows, hog.winSize.width, hog.winSize.height);
        return;
    }
    vector<Point> locations;
    hog.compute(imageData, featureVector, winStride, trainingPadding, locations);
    imageData.release(); // Release the image again after features are extracted
}

..。

int main(int argc, char** argv) {

    // <editor-fold defaultstate="collapsed" desc="Init">
    HOGDescriptor hog; // Use standard parameters here
    hog.winSize.height = 128;
    hog.winSize.width = 64;

    // Get the files to train from somewhere
    static vector<string> tesImages;
    static vector<string> positiveTrainingImages;
    static vector<string> negativeTrainingImages;
    static vector<string> validExtensions;
    validExtensions.push_back("jpg");
    validExtensions.push_back("png");
    validExtensions.push_back("ppm");
    validExtensions.push_back("pgm");
    // </editor-fold>

    // <editor-fold defaultstate="collapsed" desc="Read image files">
    getFilesInDirectory(posSamplesDir, positiveTrainingImages, validExtensions);
    getFilesInDirectory(negSamplesDir, negativeTrainingImages, validExtensions);
    /// Retrieve the descriptor vectors from the samples
    unsigned long overallSamples = positiveTrainingImages.size() + negativeTrainingImages.size();
    // </editor-fold>

    // <editor-fold defaultstate="collapsed" desc="Calculate HOG features and save to file">
    // Make sure there are actually samples to train
    if (overallSamples == 0) {
        printf("No training sample files found, nothing to do!\n");
        return EXIT_SUCCESS;
    }

    /// @WARNING: This is really important, some libraries (e.g. ROS) seems to set the system locale which takes decimal commata instead of points which causes the file input parsing to fail
    setlocale(LC_ALL, "C"); // Do not use the system locale
    setlocale(LC_NUMERIC,"C");
    setlocale(LC_ALL, "POSIX");

    printf("Reading files, generating HOG features and save them to file '%s':\n", featuresFile.c_str());
    float percent;
    /**
     * Save the calculated descriptor vectors to a file in a format that can be used by SVMlight for training
     * @NOTE: If you split these steps into separate steps: 
     * 1. calculating features into memory (e.g. into a cv::Mat or vector< vector<float> >), 
     * 2. saving features to file / directly inject from memory to machine learning algorithm,
     * the program may consume a considerable amount of main memory
     */ 
    fstream File;
    File.open(featuresFile.c_str(), ios::out);
    if (File.good() && File.is_open()) {
        File << "# Use this file to train, e.g. SVMlight by issuing $ svm_learn -i 1 -a weights.txt " << featuresFile.c_str() << endl; // Remove this line for libsvm which does not support comments
        // Iterate over sample images
        for (unsigned long currentFile = 0; currentFile < overallSamples; ++currentFile) {
            storeCursor();
            vector<float> featureVector;
            // Get positive or negative sample image file path
            const string currentImageFile = (currentFile < positiveTrainingImages.size() ? positiveTrainingImages.at(currentFile) : negativeTrainingImages.at(currentFile - positiveTrainingImages.size()));
            // Output progress
            if ( (currentFile+1) % 10 == 0 || (currentFile+1) == overallSamples ) {
                percent = ((currentFile+1) * 100 / overallSamples);
                printf("%5lu (%3.0f%%):\tFile '%s'", (currentFile+1), percent, currentImageFile.c_str());
                fflush(stdout);
                resetCursor();
            }
            // Calculate feature vector from current image file
            calculateFeaturesFromInput(currentImageFile, featureVector, hog);
            if (!featureVector.empty()) {
                /* Put positive or negative sample class to file, 
                 * true=positive, false=negative, 
                 * and convert positive class to +1 and negative class to -1 for SVMlight
                 */
                File << ((currentFile < positiveTrainingImages.size()) ? "+1" : "-1");
                // Save feature vector components
                for (unsigned int feature = 0; feature < featureVector.size(); ++feature) {
                    File << " " << (feature + 1) << ":" << featureVector.at(feature);
                }
                File << endl;
            }
        }
        printf("\n");
        File.flush();
        File.close();
    } else {
        printf("Error opening file '%s'!\n", featuresFile.c_str());
        return EXIT_FAILURE;
    }
    // </editor-fold>

    // <editor-fold defaultstate="collapsed" desc="Pass features to machine learning algorithm">
    /// Read in and train the calculated feature vectors
    printf("Calling SVMlight\n");
    SVMlight::getInstance()->read_problem(const_cast<char*> (featuresFile.c_str()));
    SVMlight::getInstance()->train(); // Call the core libsvm training procedure
    printf("Training done, saving model file!\n");
    SVMlight::getInstance()->saveModelToFile(svmModelFile);
    // </editor-fold>

    // <editor-fold defaultstate="collapsed" desc="Generate single detecting feature vector from calculated SVM support vectors and SVM model">
    printf("Generating representative single HOG feature vector using svmlight!\n");
    vector<float> descriptorVector;
    vector<unsigned int> descriptorVectorIndices;
    // Generate a single detecting feature vector (v1 | b) from the trained support vectors, for use e.g. with the HOG algorithm
    SVMlight::getInstance()->getSingleDetectingVector(descriptorVector, descriptorVectorIndices);
    // And save the precious to file system
    saveDescriptorVectorToFile(descriptorVector, descriptorVectorIndices, descriptorVectorFile);
    // </editor-fold>

    // <editor-fold defaultstate="collapsed" desc="Test detecting vector">

    cout << "Test Detecting Vector" << endl;
    hog.setSVMDetector(descriptorVector); // Set our custom detecting vector
    cout << "descriptorVector size: " << sizeof(descriptorVector) << endl;

    getFilesInDirectory(tesSamplesDir, tesImages, validExtensions);
    namedWindow("Test Detector", 1);

    for( size_t it = 0; it < tesImages.size(); it++ )
    {
        cout << "Process image " << tesImages[it] << endl;
        Mat image = imread( tesImages[it], 1 );
        detectAndDrawObjects(image, hog);

        for(;;)
        {
            int c = waitKey();
            if( (char)c == 'n')
                break;
            else if( (char)c == '\x1b' )
                exit(0);
        }
    }
    // </editor-fold>
    return EXIT_SUCCESS;
}
于 2013-04-25T02:18:57.280 に答える