一个好的框架对应于一个完整的工程，学习Easy-PR框架现阶段收获如下：
1、如何读取一个文件路径下所有图片的路径
这里使用的是<io.h>中的_finddata_t 结构体，可以参考麒麟川的博客：_finddata_t用法
_finddata_t 结构体如下：
struct _finddata_t
{
// 文件属性的存储位置：_A_ARCH（存档）、 _A_HIDDEN（隐藏）、
// _A_NORMAL（正常）、_A_RDONLY（只读）、_A_SUBDIR（文件夹）、
// _A_SYSTEM（系统）
unsigned attrib;
// 文件创建时间
time_t time_create;
// 文件最后一次访问时间
time_t time_access;
// 文件最后一次被修改的时间
time_t time_write;
// 文件大小
_fsize_t size;
// 文件名
char name[_MAX_FNAME];
};主要用到_findfirst（）、_findnext（）和_fineclose（）三个接口，三个接口如下：
_findfirst（）函数：
long _findfirst( char *filespec, struct _finddata_t *fileinfo )；_findfirst 查找文件，如果查找成功，返还一个唯一编号，反之，返还-1
_findnext（）函数：
int _findnext( long handle, struct _finddata_t *fileinfo );查找handle对应路径下文件，文件信息存入fileinfo中，若查找成功返回0，反之返回-1。
_findclose（）函数：
int _findclose( long handle );查找结束后，关闭文件句柄。
测试程序如下：
#include <opencv2/opencv.hpp>
#include <string>
#include <vector>
#include <io.h> // read file
using namespace cv;
using namespace cv::ml;
using namespace std;
vector<string> getFiles(const string & folder,
const bool all = true)
{
vector<string> files;
list<string> subfolders;
subfolders.push_back(folder);
while (!subfolders.empty())
{
string current_folder(subfolders.back());
if (*(current_folder.end() - 1) != '/')
{
current_folder.append("/*");
}
else
{
current_folder.append("*");
}
subfolders.pop_back();
struct _finddata_t file_info;
// _findfirst 查找文件，如果查找成功，返还一个唯一编号，反之，返还-1
auto file_handler = _findfirst(current_folder.c_str(), &file_info);
while (file_handler != -1)
{
if (all && (!strcmp(file_info.name, ".") || !strcmp(file_info.name, "..")))
{
if (_findnext(file_handler, &file_info) != 0)break;
continue;
}
// 如果是一个文件夹
if (file_info.attrib & _A_SUBDIR)
{
if (all)
{
// 获取子文件夹名
string folder_t(current_folder);
folder_t.pop_back();
folder_t.append(file_info.name);
subfolders.push_back(folder_t.c_str());
}
}
else
{
string file_path;
// assign：将原字符串清空，然后赋予新的值
// pop_back：删除字符串最后一个字符
file_path.assign(current_folder.c_str()).pop_back();
file_path.append(file_info.name);
files.push_back(file_path);
}
if (_findnext(file_handler, &file_info) != 0) break;
} // end while
_findclose(file_handler);
}
return files;
}
int main()
{
vector<string> names;
string folder = "has/test";
names = getFiles(folder);
for (int i = 0; i < names.size(); i++)
{
cout << i << "-th picture is: " << names[i] << endl;
}
system("pause");
return 0;
}
效果如下：
这样就可以在windows系统下指定文件路径下的所有文件的绝对路径。
2、训练SVM+HOG的分类器
HOG特征提取代码为：
void getHOGFeature(const Mat& image, Mat& features)
{
HOGDescriptor hog(cvSize(128, 64), cvSize(16, 16), cvSize(8, 8), cvSize(8, 8), 3); //these parameters work well
vector<float> descriptor;
// resize input image to (128,64) for compute
Size dsize = Size(128, 64);
Mat trainImg = Mat(dsize, CV_32S);
resize(image, trainImg, dsize);
// compute descripter
hog.compute(trainImg, descriptor, Size(8, 8));
// copy the result
Mat mat_feature(descriptor);
mat_feature.copyTo(features);
//mat_feature.reshape(1, 1);
//mat_feature.convertTo(features, CV_32FC1);
}读入训练集图片后，分别提取每个样本的HOG特征，然后转换成训练SVM所需要的数据格式：CV_32FC1
int main()
{
string folder_has_train = "has/train";
auto has_file_train_list = getFiles(folder_has_train);
random_shuffle(has_file_train_list.begin(), has_file_train_list.end());
string folder_has_test = "has/test";
auto has_file_test_list = getFiles(folder_has_test);
random_shuffle(has_file_test_list.begin(), has_file_test_list.end());
string folder_no_train = "no/train";
auto no_file_train_list = getFiles(folder_no_train);
random_shuffle(no_file_train_list.begin(), no_file_train_list.end());
string folder_no_test = "no/test";
auto no_file_test_list = getFiles(folder_no_test);
random_shuffle(no_file_test_list.begin(), no_file_test_list.end());
vector<TrainItem> train_file_list_;
fprintf(stdout, ">> Collecting train data...\n");
for (auto file : has_file_train_list)
train_file_list_.push_back({ file, 1 });
for (auto file : no_file_train_list)
train_file_list_.push_back({ file, 0 });
auto train_data = convertData(train_file_list_); // 转换成opencv需要的SVM数据格式
// create SVM classifier
Ptr<SVM> _svm = SVM::create();
_svm->setType(SVM::C_SVC);
_svm->setKernel(SVM::CHI2);
_svm->setDegree(0.1);
_svm->setGamma(0.1);
_svm->setCoef0(0.1);
_svm->setC(1);
_svm->setNu(0.1);
_svm->setTermCriteria(cvTermCriteria(CV_TERMCRIT_ITER, 20000, 0.0001));
auto start_time = static_cast<long>(cv::getTickCount());
_svm->trainAuto(train_data, 10, SVM::getDefaultGrid(SVM::C),
SVM::getDefaultGrid(SVM::GAMMA), SVM::getDefaultGrid(SVM::P),
SVM::getDefaultGrid(SVM::NU), SVM::getDefaultGrid(SVM::COEF),
SVM::getDefaultGrid(SVM::DEGREE), true);
auto end_time = static_cast<long>(cv::getTickCount());
cout << "VarCount: " << _svm->getVarCount() << endl;
fprintf(stdout, ">> Training done. Time elapse: %ldms\n", end_time - start_time);
fprintf(stdout, ">> Saving model file...\n");
_svm->save("model/svm.xml");
fprintf(stdout, ">> Your SVM Model was saved to model/svm.xml\n");
}