基于OpenCV的行人检测 实战：基于openCV的行人检测（二）

任务描述
在前面的任务中我们介绍了使用OpenCV进行样本数据处理，以及HOG特征的提取，在本次任务中，我们将会基于OpenCV，使用提取的HOG特征来训练SVM分类器。

相关知识
为了完成本关任务，你需要了解：

Hard example的简单了解；
基于OpenCV，创建并训练SVM分类器。
Hard example的简单了解
Hard example是指利用第一次训练的分类器在负样本图片上（一定没有人体）进行行人检测时，所得到的检测矩形框，这些矩形框区域很明显都是误报，把这些误报的矩形框保存为图片，加入到初始的负样本集合中，重新进行SVM的训练，就可在一定程度上提升检测效果，这种方法又称为自举法（Bootstrap）。这种方法首先会使用原始负样本数据集合去训练得到一个模型，然后收集被这个模型错误分类的负样本，从而形成一个负样本难例集，再将其进行二次训练，用于新的模型，该过程可重复进行。换句话来说，hard example的意义就在于告诉训练的模型，“这个题目你之前做错过了，你再多做几遍，之后再碰到才能不出错”。

上图将树干误认为是人体，这些就是Hard example，将这些矩形框保存为64 * 128的图片文件，加入到负样本集合中。

基于OpenCV，使用HOG特征来训练SVM分类器
在第六个任务中，我们对SVM分类器有了一个简单了解，在本次任务中我们不再讨论这一部分内容，我们使用OpenCV中已经封装好的SVM相关内容。这里我们可以使用OpenCV中已经训练好的行人检测分类器，需要注意的是OpenCV自带的分类器是利用HOG论文作者Navneet Dalal和Bill Triggs提供的样本进行训练的，得到的模型不一定能够适用于你的应用场合，因此针对你的特定应用场景，很有必要进行重新训练得到适合的分类器，也就是创建并使用自己的数据训练一个SVM分类器。
检测有两种方式，如果仅仅使用线性核的话，只需要Hog类自带的setSVMDetector和detect（detectMultiScale），如果使用RBF，就需要使用SVM类的predict。但predict是判断“是与不是”的，如果要得区域的话，使用Hog类的setSVMDetector和detect（detectMultiScale），这里我们使用线性核。
线性SVM进行训练之后得到的文本文件里面，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（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。

import cv2
import numpy as np
#法一：使用OpenCV自带的已经训练好的SVM分类器
hog = cv2.HOGDecriptor()
hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())
#法二：创建一个SVM分类器
svm = cv2.ml.SVM_create()
###下面的为SVM参数的设置，之前没有进行设置，得到的支持向量sv维度较高，导致合并部分维度不匹配，报错
svm.setCoef0(0.0)
svm.setDegree(3)
criteria = (cv2.TERM_CRITERIA_MAX_ITER + cv2.TERM_CRITERIA_EPS, 1000, 1e-3)
svm.setTermCriteria(criteria)
svm.setGamma(0)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setNu(0.5)
svm.setP(0.1)
svm.setC(0.01)
svm.setType(cv2.ml.SVM_EPS_SVR)
###对SVM进行训练
svm.train(np.array(hosList), cv2.ml.ROW_SAMPLE, np.array(labels))
#获取所有的支持向量
sv = svm.getSupportVectors()
rho, _, _ = svm.getDecisionFunction(0)
sv = np.transpose(sv)
hog1 = cv2.HOGDescriptor()
###设置线性分类器参数
hog1.setSVMDetector(np.append(sv, [[-rho]], 0))
编程要求
本次任务主要实现Hard example数据提取，以及基于OpenCV训练SVM分类器。

根据提示，在右侧编辑器补充代码，针对给定的注释提示进行对应操作。具体要求如下：

获取Hard example，即使用数据集训练SVM分类器，并将其用于负样本的检测得到的矩形框保存为64 * 128大小的图像加入到训练数据中，用于二次训练；
使用OpenCV的ml.SVM_create函数创建SVM分类器，并使用数据对其进行训练；
使用自己训练的分类器替换OpenCV的HOGDescriptor()类中的默认行人检测分类器。

预期输出 ———

posImageList: 8

posList 8

hosList 8

negImageList: 5

negList 50

hosList 58

labels 58

hardNegList: 0

hosList 58

labels 58

import cv2
import numpy as np

#获取检测子
def getHOGDetector(svm):
    ######## Begin1 ########
        
    # 获取所有的支持向量
    sv = svm.getSupportVectors()
        
    ######## End1 ########
    rho, _, _ = svm.getDecisionFunction(0)
    sv = np.transpose(sv)
    return np.append(sv, [[-rho]], 0)

#获取Hard example
def getHardExamples(negImageList, svm):
    hardNegList = []
    ######## Begin2 ########
        
    # 声明HOG类，并使用参数svm代替默认检测器
    hog = cv2.HOGDescriptor()
    hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())
        
    for i in range(len(negImageList)):
        rects, wei = hog.detectMultiScale(negImageList[i], winStride=(4, 4),padding=(8, 8), scale=1.05)
        for (x,y,w,h) in rects:
            hardExample = negImageList[i][y:y+h, x:x+w]
            
            # 将获取的矩形框使用resize函数将其保存为64 * 128大小的图片，并将其就如hardNegList中
            hardExample = cv2.resize(negImageList[i][y:y+h, x:x+w], (64, 128))
            hardNegList.append(hardExample)
            
    ######## End2 ########
    return hardNegList

#获取自己训练的SVM分类器
def getSVMClassifier(hosList, labels):
    ######## Begin3 ########
        
    # 声明一个空的SVM分类器
    svm = cv2.ml.SVM_create()
    
    svm.setCoef0(0.0)
    svm.setDegree(3)
    criteria = (cv2.TERM_CRITERIA_MAX_ITER + cv2.TERM_CRITERIA_EPS, 1000, 1e-3)
    svm.setTermCriteria(criteria)
    svm.setGamma(0)
    svm.setKernel(cv2.ml.SVM_LINEAR)
    svm.setNu(0.5)
    svm.setP(0.1)
    svm.setC(0.01)
    svm.setType(cv2.ml.SVM_EPS_SVR)
    
    # 训练SVM
    svm.train(np.array(hosList), cv2.ml.ROW_SAMPLE, np.array(labels))
    
    ######## End3 ########
    return svm