#include?
#include?
#include?
#include?
#include?
#include?
#include?

using?namespace?std;
using?namespace?cv;

#define?PosSamNO?2400????//正樣本個數
#define?NegSamNO?12000????//負樣本個數

#define?TRAIN?false????//是否進行訓練true表示重新訓練，false表示讀取xml文件中的SVM模型
#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大小人體

//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。
//不使用HardExample時必須設置為0，因為特征向量矩陣和特征類別矩陣的維數初始化時用到這個值
#define?HardExampleNO?4435??


//繼承自CvSVM的類，因為生成setSVMDetector（）中用到的檢測子參數時，需要用到訓練好的SVM的decision_func參數，
//但通過查看CvSVM源碼可知decision_func參數是protected類型變量，無法直接訪問到，只能繼承之后通過函數訪問
class?MySVM?:?public?CvSVM
{
public:
	//獲得SVM的決策函數中的alpha數組
	double?*?get_alpha_vector（）
	{
		return?this->decision_func->alpha;
	}

	//獲得SVM的決策函數中的rho參數即偏移量
	float?get_rho（）
	{
		return?this->decision_func->rho;
	}
};



int?main（）
{
	//檢測窗口（64128）塊尺寸（1616）塊步長（88）cell尺寸（88）直方圖bin個數9
	HOGDescriptor?hog（Size（64128）Size（1616）Size（88）Size（88）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、檢測窗口大小、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（“INRIAPerson96X160PosList.txt“）;//正樣本圖片的文件名列表
		//ifstream?finPos（“PersonFromVOC2012List.txt“）;//正樣本圖片的文件名列表
		ifstream?finNeg（“NoPersonFromINRIAList.txt“）;//負樣本圖片的文件名列表

		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表示有人，-1表示無人


		//依次讀取正樣本圖片，生成HOG描述子
		for（int?num=0;?num		{
			cout<<“處理：“<			//ImgName?=?“D:\\DataSet\\PersonFromVOC2012\\“?+?ImgName;//加上正樣本的路徑名
			ImgName?=?“D:\\DataSet\\INRIAPerson\\INRIAPerson\\96X160H96\\Train\\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（161664128））;//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（srcsrcSize（64128））;

			vector?descriptors;//HOG描述子向量
			hog.compute（srcdescriptorsSize（88））;//計算HOG描述子，檢測窗口移動步長（88）
			//cout<<“描述子維數：“<riptors.size（）<
			//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+HardExampleNO?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表示有人，0表示無人
				sampleLabelMat?=?Mat::zeros（PosSamNO+NegSamNO+HardExampleNO?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;?iriptorDim;?i++）
				sampleFeatureMat.at（numi）?=?descriptors[i];//第num個樣本的特征向量中的第i個元素
			sampleLabelMat.at（num0）?=?1;//正樣本類別為1，有人
		}

		//依次讀取負樣本圖片，生成HOG描述子
		f

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2019-04-28?11:52??SVM_Train\
?????目錄???????????0??2019-04-28?12:18??SVM_Train\SVM_Train_Predict_HOG\
?????目錄???????????0??2013-11-13?16:36??SVM_Train\SVM_Train_Predict_HOG\Debug\
?????文件??????144896??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\Debug\SVM_Train_Predict_HOG.exe
?????文件??????910680??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\Debug\SVM_Train_Predict_HOG.ilk
?????文件?????1747968??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\Debug\SVM_Train_Predict_HOG.pdb
?????目錄???????????0??2019-04-28?12:13??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\
?????文件????15269888??2019-04-28?12:18??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG.sdf
?????文件?????????930??2013-11-07?15:49??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG.sln
?????文件???????12800??2013-11-13?20:25??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG.suo
?????文件???????26112??2019-04-28?12:18??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG.v12.suo
?????文件??????174277??2013-10-22?16:53??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\00000.jpg
?????文件??????788547??2013-10-21?21:44??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\1.png
?????文件??????813015??2013-10-21?21:47??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\2.png
?????文件???????90689??2007-01-10?01:37??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\2007_000423.jpg
?????文件??????818604??2013-10-21?21:48??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\3.png
?????文件?????1610478??2013-10-21?21:48??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\4.png
?????文件??????911894??2013-10-21?21:49??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\5.png
?????目錄???????????0??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\
?????文件?????????762??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\cl.command.1.tlog
?????文件???????14186??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\CL.read.1.tlog
?????文件?????????470??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\CL.write.1.tlog
?????文件???????????2??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link-cvtres.read.1.tlog
?????文件???????????2??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link-cvtres.write.1.tlog
?????文件???????????2??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10128-cvtres.read.1.tlog
?????文件???????????2??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10128-cvtres.write.1.tlog
?????文件???????????2??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10128.read.1.tlog
?????文件???????????2??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10128.write.1.tlog
?????文件???????????2??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10220-cvtres.read.1.tlog
?????文件???????????2??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10220-cvtres.write.1.tlog
?????文件???????????2??2013-11-13?17:14??SVM_Train\SVM_Train_Predict_HOG\SVM_Train_Predict_HOG\Debug\link.10220.read.1.tlog
............此處省略95個文件信息