学习OpenCV——SVM

OpenCV开发SVM算法是基于LibSVM软件包开发的，LibSVM是台湾大学林智仁(Lin Chih-Jen)等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。用OpenCV使用SVM算法的大概流程是

1）设置训练样本集

需要两组数据，一组是数据的类别，一组是数据的向量信息。

2）设置SVM参数

利用CvSVMParams类实现类内的成员变量svm_type表示SVM类型：

CvSVM：：C_SVC  C-SVC

CvSVM：：NU_SVC v-SVC

CvSVM：：ONE_CLASS 一类SVM

CvSVM：：EPS_SVR e-SVR

CvSVM：：NU_SVR v-SVR

成员变量kernel_type表示核函数的类型：

CvSVM：：LINEAR 线性：u‘v

CvSVM：：POLY 多项式：(r*u'v + coef0)^degree

CvSVM：：RBF RBF函数：exp(-r|u-v|^2)

CvSVM：：SIGMOID sigmoid函数：tanh(r*u'v + coef0)

成员变量degree针对多项式核函数degree的设置，gamma针对多项式/rbf/sigmoid核函数的设置，coef0针对多项式/sigmoid核函数的设置，Cvalue为损失函数，在C-SVC、e-SVR、v-SVR中有效，nu设置v-SVC、一类SVM和v-SVR参数，p为设置e-SVR中损失函数的值，class_weightsC_SVC的权重，term_crit为SVM训练过程的终止条件。其中默认值degree = 0，gamma = 1，coef0 = 0，Cvalue = 1，nu = 0，p = 0，class_weights = 0

3）训练SVM

调用CvSVM：：train函数建立SVM模型，第一个参数为训练数据，第二个参数为分类结果，最后一个参数即CvSVMParams

4）用这个SVM进行分类

调用函数CvSVM：：predict实现分类

5）获得支持向量

除了分类，也可以得到SVM的支持向量，调用函数CvSVM：：get_support_vector_count获得支持向量的个数，CvSVM：：get_support_vector获得对应的索引编号的支持向量。

实现代码如下：运行步骤

[cpp]  view plain copy print ?

1. // step 1:   
2. float labels[4] = {1.0, -1.0, -1.0, -1.0};  
3. Mat labelsMat(3, 1, CV_32FC1, labels);  
4.   
5. float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };  
6. Mat trainingDataMat(3, 2, CV_32FC1, trainingData);  
7.   
8. // step 2:   
9. CvSVMParams params;  
10. params.svm_type = CvSVM::C_SVC;  
11. params.kernel_type = CvSVM::LINEAR;  
12. params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);  
13.   
14. // step 3:   
15. CvSVM SVM;  
16. SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);  
17.   
18. // step 4:   
19. Vec3b green(0, 255, 0), blue(255, 0, 0);  
20. for (int i=0; i<image.rows; i++)  
21. {  
22.     for (int j=0; j<image.cols; j++)  
23.     {  
24.         Mat sampleMat = (Mat_<float>(1,2) << i,j);  
25.         float response = SVM.predict(sampleMat);  
26.   
27.         if (fabs(response-1.0) < 0.0001)  
28.         {  
29.             image.at<Vec3b>(j, i) = green;  
30.         }  
31.         else if (fabs(response+1.0) < 0.001)  
32.         {  
33.             image.at<Vec3b>(j, i) = blue;  
34.         }  
35.     }  
36. }  
37.   
38. // step 5:   
39. int c = SVM.get_support_vector_count();  
40.   
41. for (int i=0; i<c; i++)  
42. {  
43.     const float* v = SVM.get_support_vector(i);  
44. }  

 

实验代码1：颜色分类

[cpp]  view plain copy print ?

1. //利用SVM解决2维空间向量的3级分类问题      
2. #include "stdafx.h"      
3. #include "cv.h"      
4. #include "highgui.h"             
5. #include <ML.H>      
6. #include <TIME.H>      
7.      
8. #include <CTYPE.H>      
9.     
10. #include <IOSTREAM>      
11. using namespace std;     
12. int main(int argc, char **argv)     
13. {     
14.         int size = 400;         //图像的长度和宽度      
15.         const int s = 1000;          //试验点个数（可更改！！）      
16.         int i, j, sv_num;     
17.         IplImage *img;     
18.         CvSVM svm = CvSVM();    //★★★      
19.         CvSVMParams param;     
20.         CvTermCriteria criteria;//停止迭代的标准      
21.         CvRNG rng = cvRNG(time(NULL));     
22.         CvPoint pts[s];         //定义1000个点      
23.         float data[s*2];        //点的坐标      
24.         int res[s];             //点的所属类      
25.         CvMat data_mat, res_mat;     
26.         CvScalar rcolor;     
27.         const float *support;     
28.         // (1)图像区域的确保和初始化      
29.         img= cvCreateImage(cvSize(size, size), IPL_DEPTH_8U, 3);     
30.         cvZero(img);     
31.         //确保画像区域，并清0(用黑色作初始化处理)。      
32.          
33.         // (2)学习数据的生成      
34.         for (i= 0; i< s; i++) {     
35.             pts[i].x= cvRandInt(&rng) % size;   //用随机整数赋值      
36.             pts[i].y= cvRandInt(&rng) % size;     
37.             if (pts[i].y> 50 * cos(pts[i].x* CV_PI/ 100) + 200) {     
38.                 cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(255, 0, 0));     
39.                 cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(255, 0, 0));     
40.                 res[i] = 1;     
41.             }     
42.             else {     
43.                 if (pts[i].x> 200) {     
44.                     cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 255, 0));     
45.                     cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 255, 0));     
46.                     res[i] = 2;     
47.                 }     
48.                 else {     
49.                     cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 0, 255));     
50.                     cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 0, 255));     
51.                     res[i] = 3;     
52.                 }     
53.             }     
54.         }     
55.         //生成2维随机训练数据，并将其值放在CvPoint数据类型的数组pts[ ]中。      
56.          
57.         // (3)学习数据的显示      
58.         cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE);     
59.         cvShowImage("SVM", img);     
60.         cvWaitKey(0);     
61.          
62.         // (4)学习参数的生成      
63.         for (i= 0; i< s; i++) {     
64.             data[i* 2] = float (pts[i].x) / size;     
65.             data[i* 2 + 1] = float (pts[i].y) / size;     
66.         }     
67.         cvInitMatHeader(&data_mat, s, 2, CV_32FC1, data);     
68.         cvInitMatHeader(&res_mat, s, 1, CV_32SC1, res);     
69.         criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON);     
70.         param= CvSVMParams (CvSVM::C_SVC, CvSVM::RBF, 10.0, 8.0, 1.0, 10.0, 0.5, 0.1, NULL, criteria);     
71.         /*   
72.             SVM种类：CvSVM::C_SVC   
73.             Kernel的种类：CvSVM::RBF   
74.             degree：10.0（此次不使用）   
75.             gamma：8.0   
76.             coef0：1.0（此次不使用）   
77.             C：10.0   
78.             nu：0.5（此次不使用）   
79.             p：0.1（此次不使用）   
80.             然后对训练数据正规化处理，并放在CvMat型的数组里。   
81.                                                                 */     
82.          
83.          
84.         //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆      
85.         svm.train(&data_mat, &res_mat, NULL, NULL, param);//☆      
86.         //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆          
87.          
88.         // (6)学习结果的绘图      
89.         for (i= 0; i< size; i++) {     
90.             for (j= 0; j< size; j++) {     
91.                 CvMat m;     
92.                 float ret = 0.0;     
93.                 float a[] = { float (j) / size, float (i) / size };     
94.                 cvInitMatHeader(&m, 1, 2, CV_32FC1, a);     
95.                 ret= svm.predict(&m);     
96.                 switch ((int) ret) {     
97.                     case 1:     
98.                         rcolor= CV_RGB(100, 0, 0);     
99.                         break;     
100.                     case 2:     
101.                         rcolor= CV_RGB(0, 100, 0);     
102.                         break;     
103.                     case 3:     
104.                         rcolor= CV_RGB(0, 0, 100);     
105.                         break;     
106.                 }     
107.                 cvSet2D(img, i, j, rcolor);     
108.             }     
109.         }     
110.         //为了显示学习结果，通过输入图像区域的所有像素(特征向量)并进行分类。然后对输入像素用所属等级的颜色绘图。      
111.          
112.         // (7)训练数据的再绘制      
113.         for (i= 0; i< s; i++) {     
114.             CvScalar rcolor;     
115.             switch (res[i]) {     
116.                 case 1:     
117.                     rcolor= CV_RGB(255, 0, 0);     
118.                     break;     
119.                 case 2:     
120.                     rcolor= CV_RGB(0, 255, 0);     
121.                     break;     
122.                 case 3:     
123.                     rcolor= CV_RGB(0, 0, 255);     
124.                     break;     
125.             }     
126.             cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), rcolor);     
127.             cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), rcolor);     
128.         }     
129.         //将训练数据在结果图像上重复的绘制出来。      
130.          
131.         // (8)支持向量的绘制      
132.         sv_num= svm.get_support_vector_count();     
133.         for (i= 0; i< sv_num; i++) {     
134.             support = svm.get_support_vector(i);     
135.             cvCircle(img, cvPoint((int) (support[0] * size), (int) (support[1] * size)), 5, CV_RGB(200, 200, 200));     
136.         }     
137.         //用白色的圆圈对支持向量作标记。      
138.          
139.         // (9)图像的显示       
140.         cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE);     
141.         cvShowImage("SVM", img);     
142.         cvWaitKey(0);     
143.         cvDestroyWindow("SVM");     
144.         cvReleaseImage(&img);     
145.         return 0;     
146.         //显示实际处理结果的图像，直到某个键被按下为止。      
147.     }    

实验代码2：用MIT人脸库检测，效果实在不好，检测结果全是人脸或者全都不是人脸。原因应该是图像检测没有做好应该用HoG等特征首先检测，在进行分类训练，不特征不明显，肯定分类效果并不好。

[cpp]  view plain copy print ?

1. //  
2. // File Name: pjSVM.cpp  
3. // Author:   easyfov(easyfov@gmail.com)  
4. // Company: Lida Optical and Electronic Co.,Ltd.  
5. //http://apps.hi.baidu.com/share/detail/32719017  
6. //  
7.   
8. #include <cv.h>  
9. #include <highgui.h>  
10. #include <ml.h>  
11.   
12. #include <iostream>  
13. #include <fstream>  
14. #include <string>  
15. #include <vector>  
16. using namespace std;  
17.   
18. #define WIDTH 20  
19. #define HEIGHT 20  
20.   
21. int main( /*int argc, char** argv*/ )  
22. {  
23.     vector<string> img_path;  
24.     vector<int> img_catg;  
25.     int nLine = 0;  
26.     string buf;  
27.     ifstream svm_data( "E:/SVM_DATA.txt" );  
28.   
29.     while( svm_data )  
30.     {  
31.         if( getline( svm_data, buf ) )  
32.         {  
33.             nLine ++;  
34.             if( nLine % 2 == 0 )  
35.             {  
36.                  img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，标志（0,1）  
37.             }  
38.             else  
39.             {  
40.                 img_path.push_back( buf );//图像路径  
41.             }  
42.         }  
43.     }  
44.     svm_data.close();//关闭文件  
45.   
46.     CvMat *data_mat, *res_mat;  
47.     int nImgNum = nLine / 2;            //读入样本数量  
48.     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  
49.     data_mat = cvCreateMat( nImgNum, WIDTH * HEIGHT, CV_32FC1 );  
50.     cvSetZero( data_mat );  
51.     //类型矩阵,存储每个样本的类型标志  
52.     res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );  
53.     cvSetZero( res_mat );  
54.   
55.     IplImage *srcImg, *sampleImg;  
56.     float b;  
57.     DWORD n;  
58.   
59.     for( string::size_type i = 0; i != img_path.size(); i++ )  
60.     {  
61.        srcImg = cvLoadImage( img_path[i].c_str(), CV_LOAD_IMAGE_GRAYSCALE );  
62.        if( srcImg == NULL )  
63.        {  
64.             cout<<" can not load the image: "<<img_path[i].c_str()<<endl;  
65.             continue;  
66.        }  
67.   
68.        cout<<" processing "<<img_path[i].c_str()<<endl;  
69.   
70.        sampleImg = cvCreateImage( cvSize( WIDTH, HEIGHT ), IPL_DEPTH_8U, 1 );//样本大小（WIDTH, HEIGHT）  
71.        cvResize( srcImg, sampleImg );//改变图像大小  
72.   
73.        cvSmooth( sampleImg, sampleImg );    //降噪  
74.        //生成训练数据  
75.        n = 0;  
76.         for( int ii = 0; ii < sampleImg->height; ii++ )  
77.         {  
78.             for( int jj = 0; jj < sampleImg->width; jj++, n++ )  
79.             {  
80.                  b = (float)((int)((uchar)( sampleImg->imageData + sampleImg->widthStep * ii + jj )) / 255.0 );  
81.                  cvmSet( data_mat, (int)i, n, b );  
82.             }  
83.         }  
84.         cvmSet( res_mat, i, 0, img_catg[i] );  
85.         cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;  
86.     }  
87.   
88.   
89.     CvSVM svm = CvSVM();  
90.     CvSVMParams param;  
91.     CvTermCriteria criteria;  
92.     criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );  
93.     param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );  
94.      /*   
95.             SVM种类：CvSVM::C_SVC   
96.             Kernel的种类：CvSVM::RBF   
97.             degree：10.0（此次不使用）   
98.             gamma：8.0   
99.             coef0：1.0（此次不使用）   
100.             C：10.0   
101.             nu：0.5（此次不使用）   
102.             p：0.1（此次不使用）   
103.             然后对训练数据正规化处理，并放在CvMat型的数组里。   
104.                                                                 */     
105.     //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆      
106.     svm.train( data_mat, res_mat, NULL, NULL, param );  
107.     //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆  
108.     svm.save( "SVM_DATA.xml" );  
109.   
110.   
111.     //检测样本  
112.     IplImage *tst, *tst_tmp;  
113.     vector<string> img_tst_path;  
114.     ifstream img_tst( "E:/SVM_TEST.txt" );  
115.     while( img_tst )  
116.     {  
117.         if( getline( img_tst, buf ) )  
118.         {  
119.             img_tst_path.push_back( buf );  
120.         }  
121.     }  
122.     img_tst.close();  
123.   
124.     CvMat *tst_mat = cvCreateMat( 1, WIDTH*HEIGHT, CV_32FC1 );  
125.     char line[512];  
126.     ofstream predict_txt( "SVM_PREDICT.txt" );  
127.     for( string::size_type j = 0; j != img_tst_path.size(); j++ )  
128.     {  
129.         tst = cvLoadImage( img_tst_path[j].c_str(), CV_LOAD_IMAGE_GRAYSCALE );  
130.         if( tst == NULL )  
131.         {  
132.              cout<<" can not load the image: "<<img_tst_path[j].c_str()<<endl;  
133.                continue;  
134.    }  
135.    tst_tmp = cvCreateImage( cvSize( WIDTH, HEIGHT ), IPL_DEPTH_8U, 1 );  
136.    cvResize( tst, tst_tmp );  
137.    cvSmooth( tst_tmp, tst_tmp );  
138.    n = 0;  
139.    for(int ii = 0; ii < tst_tmp->height; ii++ )  
140.    {  
141.      for(int jj = 0; jj < tst_tmp->width; jj++, n++ )  
142.      {  
143.          b = (float)(((int)((uchar)tst_tmp->imageData+tst_tmp->widthStep*ii+jj))/255.0);  
144.          cvmSet( tst_mat, 0, n, (double)b );  
145.      }  
146.    }  
147.   
148.    int ret = svm.predict( tst_mat );  
149.    sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret );  
150.    predict_txt<<line;  
151. }  
152. predict_txt.close();  
153.   
154. cvReleaseImage( &srcImg );  
155. cvReleaseImage( &sampleImg );  
156. cvReleaseImage( &tst );  
157. cvReleaseImage( &tst_tmp );  
158. cvReleaseMat( &data_mat );  
159. cvReleaseMat( &res_mat );  
160.   
161. return 0;  
162. }  

其中

G:/program/pjSVM/face/1.png
0
G:/program/pjSVM/face/2.png
0
G:/program/pjSVM/face/3.png
0
G:/program/pjSVM/face/4.png
0
G:/program/pjSVM/face/5.png
0
G:/program/pjSVM/face/6.png
0
G:/program/pjSVM/face/7.png
0
G:/program/pjSVM/face/8.png
0
G:/program/pjSVM/face/9.png
0
G:/program/pjSVM/face/10.png
0
G:/program/pjSVM/face/11.png
0
G:/program/pjSVM/face/12.png
0
G:/program/pjSVM/face/13.png
0
G:/program/pjSVM/face/14.png
0
G:/program/pjSVM/face/15.png
1
G:/program/pjSVM/face/16.png
1
G:/program/pjSVM/face/17.png
1
G:/program/pjSVM/face/18.png
1
G:/program/pjSVM/face/19.png
1
G:/program/pjSVM/face/20.png
1
G:/program/pjSVM/face/21.png
1
G:/program/pjSVM/face/22.png
1
G:/program/pjSVM/face/23.png
1
G:/program/pjSVM/face/24.png
1
G:/program/pjSVM/face/25.png
1
G:/program/pjSVM/face/26.png
1
G:/program/pjSVM/face/27.png
1
G:/program/pjSVM/face/28.png
1
G:/program/pjSVM/face/29.png
1
G:/program/pjSVM/face/30.png

1

SVM_TEST.txt中内容如下：

G:/program/pjSVM/try_face/5.png
G:/program/pjSVM/try_face/9.png
G:/program/pjSVM/try_face/11.png
G:/program/pjSVM/try_face/15.png
G:/program/pjSVM/try_face/2.png
G:/program/pjSVM/try_face/30.png
G:/program/pjSVM/try_face/17.png
G:/program/pjSVM/try_face/21.png
G:/program/pjSVM/try_face/24.png
G:/program/pjSVM/try_face/27.png

PS：txt操作简单方式：http://blog.csdn.net/lytwell/article/details/6029503