hog+svm行人检测分类器训练

行人检测分类器的训练，训练完可测试效果如何，注意样本的路径问题

#include 
#include 
#include 
#include 
#include 
#include 
#include 

using namespace std;
using namespace cv;

#define PosSamNO 2400  //正样本个数
#define NegSamNO 12000    //负样本个数

#define TRAIN false   //是否进行训练true表示重新训练，false表示读取xml文件中的SVM模型
#define CENTRAL_CROP true   //true:训练时，对96*160的INRIA正样本图片剪裁出中间的64*128大小人体

//HardExample：负样本个数。如果HardExampleNO大于0，表示处理完初始负样本集后，继续处理HardExample负样本集。
//不使用HardExample时必须设置为0，因为特征向量矩阵和特征类别矩阵的维数初始化时用到这个值
#define HardExampleNO 0  


//继承自CvSVM的类，因为生成setSVMDetector（）中用到的检测子参数时，需要用到训练好的SVM的decision_func参数，
//但通过查看CvSVM源码可知decision_func参数是protected类型变量，无法直接访问到，只能继承之后通过函数访问
class MySVM : public CvSVM  
{  
public:  
    //获得SVM的决策函数中的alpha数组  
    double * get_alpha_vector（）  
    {  
        return this->decision_func->alpha;  
    }  
  
    //获得SVM的决策函数中的rho参数即偏移量  
    float get_rho（）  
    {  
        return this->decision_func->rho;  
    }  
}; 



int main（）
{
	//检测窗口（64128）块尺寸（1616）块步长（88）cell尺寸（88）直方图bin个数9
	HOGDescriptor hog（Size（64128）Size（1616）Size（88）Size（88）9）;//HOG检测器，用来计算HOG描述子的
	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

	//若TRAIN为true，重新训练分类器
	if（TRAIN）
	{
		string ImgName;//图片名（绝对路径）
		ifstream finPos（“INRIAPerson96X160PosList.txt“）;//正样本图片的文件名列表
		//ifstream finPos（“PersonFromVOC2012List.txt“）;//正样本图片的文件名列表
		ifstream finNeg（“NoPersonFromINRIAList.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		{
			cout<<“处理：“<			//ImgName = “D:\\DataSet\\PersonFromVOC2012\\“ + ImgName;//加上正样本的路径名
			ImgName = “E:\\运动目标检测\\INRIAPerson\\96X160H96\\Train\\pos\\“ + ImgName;//加上正样本的路径名
			Mat src = imread（ImgName）;//读取图片
			if（CENTRAL_CROP）
				src = src（Rect（161664128））;//将96*160的INRIA正样本图片剪裁为64*128，即剪去上下左右各16个像素
			//resize（srcsrcSize（64128））;

			vector descriptors;//HOG描述子向量
			hog.compute（srcdescriptorsSize（88））;//计算HOG描述子，检测窗口移动步长（88）
			//
			cout<<“描述子维数：“<riptors.size（）<
			//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）;
				//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
				sampleLabelMat = Mat::zeros（PosSamNO+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; iriptorDim; i++）
				sampleFeatureMat.at（numi） = descriptors[i];//第num个样本的特征向量中的第i个元素
			sampleLabelMat.at（num0） = 

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2014-11-24 17:29  SVM_Train_Predict_HOG\
     目录           0  2014-11-24 14:45  SVM_Train_Predict_HOG\Debug\
     文件      144896  2014-11-24 16:06  SVM_Train_Predict_HOG\Debug\SVM_Train_Predict_HOG.exe
     文件     1115176  2014-11-24 16:06  SVM_Train_Predict_HOG\Debug\SVM_Train_Predict_HOG.ilk
     文件     1960960  2014-11-24 16:06  SVM_Train_Predict_HOG\Debug\SVM_Train_Predict_HOG.pdb
     目录           0  2014-11-24 09:25  SVM_Train_Predict_HOG\ipch\
     目录           0  2014-11-24 09:27  SVM_Train_Predict_HOG\ipch\svm_train_predict_hog-878bb37b\
     文件    49741824  2014-11-24 17:25  SVM_Train_Predict_HOG\ipch\svm_train_predict_hog-878bb37b\svm_train_predict_hog-b7ad37e6.ipch
     目录           0  2014-11-24 13:35  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\
     文件    13258752  2014-11-24 17:29  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG.sdf
     文件         930  2013-11-07 15:49  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG.sln
     文件       16896  2014-11-24 17:29  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG.suo
     文件      174277  2013-10-22 16:53  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\00000.jpg
     文件      788547  2013-10-21 21:44  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\1.png
     文件      813015  2013-10-21 21:47  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\2.png
     文件       90689  2007-01-10 01:37  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\2007_000423.jpg
     文件      818604  2013-10-21 21:48  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\3.png
     文件     1610478  2013-10-21 21:48  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\4.png
     文件      911894  2013-10-21 21:49  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\5.png
     目录           0  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\
     文件        1542  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\cl.command.1.tlog
     文件       27996  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\CL.read.1.tlog
     文件         968  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\CL.write.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link-cvtres.read.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link-cvtres.write.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10128-cvtres.read.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10128-cvtres.write.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10128.read.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10128.write.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10220-cvtres.read.1.tlog
     文件           2  2014-11-24 16:06  SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10220-cvtres.write.1.tlog
............此处省略119个文件信息