svm_hog

#include "cv.h"  
#include "highgui.h"  
#include "ml.h"  
#include <iostream>  
#include <fstream>  
#include <string.h>
#include "objdetect.hpp"
#include <vector>  
//#include <opencv2/highgui/highgui.hpp>
//#include <opencv2/core/core.hpp>
//#include <opencv2/imgproc/imgproc.hpp>
///LoadLibrary("opencv_objdetect245.dll");
#define MyStride 8
#define  Dst_img_width 28
#define  Dst_img_height 28
using namespace cv;  
using namespace std;  

  
int main(int argc, char** argv)    
{    
 /*   vector<string> img_path;//输入文件名变量 
    vector<int> img_catg;  
    int nLine = 0;  
    string buf;  
    ifstream svm_data( "svmTrainSet.txt" );
//首先，这里搞一个文件列表，把训练样本图片的路径都写在这个txt文件中，使用bat批处理文件可以得到这个txt文件   
    unsigned long n;  
  
    while( svm_data )//将训练样本文件依次读取进来  
    {  
        if( getline( svm_data, buf ) )  
        {  
            nLine ++;  
            if( nLine % 2 == 0 )//这里的分类比较有意思，看得出来上面的SVM_DATA.txt文本中应该是一行是文件路径，接着下一行就是该图片的类别，可以设置为0或者1，当然多个也无所谓 
            {  
                 img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，标志（0,1），注意这里至少要有两个类别，否则会出错  
            }  
            else  
            {  
                img_path.push_back( buf );//图像路径  
            }  
        }  
    }  
    svm_data.close();//关闭文件  
  
    CvMat *data_mat, *res_mat;  
    int nImgNum = nLine / 2; //读入样本数量 ，因为是每隔一行才是图片路径，所以要除以2 
    ////样本矩阵，nImgNum：横坐标是样本数量， WIDTH * HEIGHT：样本特征向量，即图像大小  
      //这里第二个参数，即矩阵的列是由下面的descriptors的大小决定的，可以由descriptors.size()得到，且对于不同大小的输入训练图片，这个值是不同的
    data_mat = cvCreateMat( nImgNum, 1296, CV_32FC1 );
	cvSetZero( data_mat );  
    //类型矩阵,存储每个样本的类型标志  
    res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 | CV_32SC1 );  
    cvSetZero( res_mat );  
  
    IplImage* src; 
	string path;
    //IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3);//需要分析的图片，这里默认设定图片是64*64大小，所以上面定义了1764，如果要更改图片大小，可以先用debug查看一下descriptors是多少，然后设定好再运行  
	IplImage* trainImg=cvCreateImage(cvSize(28,28),8,1);
	 vector<float>descriptors;//结果数组  
	//开始搞HOG特征
 //   HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(8,8),cvSize(8,8),9);  //具体意思见参考文章1,2     
	HOGDescriptor *hog=new HOGDescriptor(cvSize(28,28),cvSize(12,12),cvSize(8,8),cvSize(3,3),9);  
    for( string::size_type i = 0; i != img_path.size(); i++ )  
    {  
            path=".\\TrainData\\"+img_path[i];
		  //  src=cvLoadImage(path.c_str(),1);  
			src=cvLoadImage(path.c_str(),CV_LOAD_IMAGE_GRAYSCALE);
            if( src == NULL )  
            {  
                cout<<" can not load the image: "<<img_path[i].c_str()<<endl;  
                continue;  
            }  
  
            cout<<" processing "<<img_path[i].c_str()<<endl;  
                 
            cvResize(src,trainImg);   //读取图片     
        //    cvSaveImage("./woshinibaba.bmp",trainImg);
			cout<<"HOG dims: "<<descriptors.size()<<endl;
			vector<Point> locations;
			
		
			locations.push_back(Point(0,0));
		//	cout<<locations.size();

			// hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算     
			hog->compute(trainImg, descriptors,Size(1,1), Size(0,0), locations);
		//	hog->compute(trainImg, descriptors,Size(1,1), Size(0,0));
			cout<<"HOG dims: "<<descriptors.size()<<endl;  
            //CvMat* SVMtrainMat=cvCreateMat(descriptors.size(),1,CV_32FC1);  
            n=0;  
            for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)  
            {  
                cvmSet(data_mat,i,n,*iter);//把HOG存储下来  
                n++;  
            }  
                //cout<<SVMtrainMat->rows<<endl;  
            cvmSet( res_mat, i, 0, img_catg[i] );  
			//{
			//	vector<float>().swap(descriptors); //释放vector内存
			//}
            cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl; 
			cvReleaseImage( &src );
			src=NULL;
			
    }  
      
               
    CvSVM svm = CvSVM();//新建一个SVM    
    CvSVMParams param;//这里是参数
    CvTermCriteria criteria;    
    criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );    
// original:   param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );    
    param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 5, 0.5, 1.0, NULL, criteria );   
//    SVM种类：CvSVM::C_SVC    
//    Kernel的种类：CvSVM::RBF    
//    degree：10.0（此次不使用）    
//    gamma：8.0    
//    coef0：1.0（此次不使用）    
//    C：10.0    
//    nu：0.5（此次不使用）    
//    p：0.1（此次不使用）    
//    然后对训练数据正规化处理，并放在CvMat型的数组里。    
                                                               
    //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆         
    svm.train( data_mat, res_mat, NULL, NULL, param );//训练啦    
    //☆☆利用训练数据和确定的学参数,进行SVM学习☆☆☆☆     
    svm.save( "SVM_DATA.xml" );*/
    

//5.利用训练好的分类器进行测试

 //检测样本  
///my vararible wdy:
///
	string buf; 
	HOGDescriptor *hog=new HOGDescriptor(cvSize(28,28),cvSize(12,12),cvSize(8,8),cvSize(3,3),9);
	vector<float>descriptors;//结果数组  
	int n;
	string imagename = "000.bmp";
	
	string path;
///my vararible wdy:
///
//	IplImage *test;  
    vector<string> img_tst_path;  
    std::ifstream img_tst( "train_list.txt" );//同输入训练样本，这里也是一样的，只不过不需要标注图片属于哪一类了
	//std::ifstream img_tst( "temptest.txt" );
    while( img_tst )  
    {  
        if( getline( img_tst, buf ) )  
        {  
            img_tst_path.push_back( buf );  
        }  
    }  
    img_tst.close();  
  
  
  
    CvMat *test_hog = cvCreateMat( 1, 1296, CV_32FC1 );//注意这里的1764，同上面一样 
	CvMat* SVMtrainMat;
//    char line[512];  
  //  ofstream predict_txt( "svmPredict.txt" );//把预测结果存储在这个文本中  
	CvSVM svm_hog;
	svm_hog.load("SVM_DATA.xml");

    for( string::size_type j = 0; j != img_tst_path.size(); j++ )//依次遍历所有的待检测图片  
    {  
		int MatchNums=0;
     //   path=".\\TestData\\"+img_tst_path[j];
		path=img_tst_path[j];
	//	test = cvLoadImage(path.c_str(), 1);  
		cv::Mat img = cv::imread(path.c_str());
	
	//	cv::resize(img3,img,cv::Size(img3.rows,img3.cols));
		cv::Mat imgClone=cv::imread(path.c_str());
        if( !img.data )  
        {  
             cout<<" can not load the image: "<<img_tst_path[j].c_str()<<endl;  
               continue;  
        } 
		int m,n2,iii,jjj;
		m = (img.rows-28)/15;
		n2 = (img.cols-28)/15;
		int times=0;
		for (jjj = 0;jjj<m;jjj++)
			for(iii = 0;iii<n2;iii++)
			{
				times++;
//				if(times==59)
//					times=times;
				cv::Mat temImage(28,28,CV_8UC3,cv::Scalar(0,0,0));
				cv::Mat imageROI = img(cv::Rect(iii*15,jjj*15,temImage.cols,temImage.rows));//rect(x, y, width, height)选定感兴趣区域
				cv::addWeighted(temImage,1.0,imageROI,1.0,0.,temImage);//复制扫描出的边界内数据
				
				IplImage trainImg(temImage);

			//	cvZero(trainImg);  
			//	cvResize(test,trainImg);   //读取图片     
			   //vector<float>descriptors;//结果数组   

				vector<Point> locations;
			
		
				locations.push_back(Point(0,0));
				hog->compute(&trainImg, descriptors,Size(1,1), Size(0,0),locations); //调用计算函数开始计算     
			   
				cout<<"HOG dims: "<<descriptors.size()<<endl;  
			   
				if (j==0)
				{
					SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1); 
					cvSetZero( SVMtrainMat ); 
				}		 
				n=0;  
				for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)  
					{  
						cvmSet(SVMtrainMat,0,n,*iter);  
						n++;  
					}  
		  
				int ret = svm_hog.predict(SVMtrainMat);//获取最终检测结果，这个predict的用法见 OpenCV的文档 
				//std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret ); 
				//printf("times:%d pic: %s label %d\r\n", times,img_tst_path[j].c_str(), ret );
				if(ret==1)
				{
					for(int ii=0;ii<=0;ii++)
						for(int jj=0;jj<=27;jj++)
						{
							imgClone.at<cv::Vec3b>(jjj*15+jj,iii*15+ii)[1]=255;
							//printf("for 1，x：%d,y:%d\n",iii*5+ii,jjj*5+jj);
						}

					for(int ii=27;ii<=27;ii++)
						for(int jj=0;jj<=27;jj++)
						{
							imgClone.at<cv::Vec3b>(jjj*15+jj,iii*15+ii)[1]=255;
							//printf("for 2，x：%d,y:%d\n",iii*5+ii,jjj*5+jj);
						}
				
					for(int jj=0;jj<=0;jj++)
						for(int ii=0;ii<=27;ii++)
						{
							imgClone.at<cv::Vec3b>(jjj*15+jj,iii*15+ii)[1]=255;
							//printf("for 3，x：%d,y:%d\n",iii*5+ii,jjj*5+jj);
						}

					for(int jj=27;jj<=27;jj++)
						for(int ii=0;ii<=27;ii++)				
						{
							imgClone.at<cv::Vec3b>(jjj*15+jj,iii*15+ii)[1]=255;
							//printf("for 4，x：%d,y:%d\n",iii*5+ii,jjj*5+jj);
						}
				}

			//	predict_txt<<line; 
			//	cvReleaseImage( &test );
			//	test=NULL;
			}
			//printf("test is finished\n");
			cv::imwrite(path.c_str(),imgClone);

    } 
 //   predict_txt.close();   
 }