使用opencv的SVM实现车牌区域识别

一、前言

本文仅仅演示使用opencv2.4.6中已经定义好的SVM函数实现对车牌区域正负样本的训练，然后使用训练好的SVM模型对测试样本进行预测。

二、所使用的正负样本

首先我将一系列图片进行图像预处理、分割等一系列步骤，这部分内容可以参看《深入理解opencv 使用计算机视觉项目解析》，这样从中挑选出100个正样本（车牌区域）和70个负样本（非车牌区域），大小均为144*33，分别存放于目录F:\SVM_data\posdata与F:\SVM_data\negdata，如下所示：

上图中图片文件的命名是为了方便读入数据，按ctrl+A全选，按F2即可快捷统一地修改名字，当然用一个txt文件保存这些图片的路径到时再读取也是可以的，但这里就不这么做了。

       取另外6张图片作为测试样本，其中包含3个车牌区域与3个非车牌区域，测试样本与前面训练样本无关系，为另外选取的。存放于目录F:\SVM_data\testdata

三、代码简介
其实思路很简单，对于100张正样本图和70张负样本图片，首先每张图片都会转换为1维数组，该数组长度为4752（也即144乘33），也即将图片中所有的像素点值均作为特征，当然也可以选取图像的其他特征值，这样每张图片可得到1*4752矩阵，则将所有这些矩阵保存于一个170*4752的训练矩阵中；其次创建相应标签矩阵，为170*1大小，前100个数为1.0，后70个数为-1.0，也就是标记出训练矩阵中数据的正负性。设置好SVM训练参数，使用CvSVM：：train()函数进行训练，然后使用训练得的模型对测试数据进行预测。代码如下：

#include "opencv2/core/core.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/ml/ml.hpp"

using namespace cv;

#include <iostream>

int main()
{
	int num = 1;
	char path[90];

	Mat trainningMat; //行数为样本数170，每个样本含144*33=4752个数，也即有4752列
	Mat inputImg;
	Mat p;

	//先加载100个正样本
	while(num < 101)
	{
		sprintf( path ,"F:\\SVM_data\\posdata\\0000 (%d).bmp" , num);
		inputImg = imread(path,-1);
		if (inputImg.empty())
		{
			std::cerr<<"无法加载正样本！";
			return -1;
		}
		p = inputImg.reshape(1,1);
		p.convertTo(p, CV_32FC1);
		trainningMat.push_back(p);
		num++;
	}
	num = 1;

	//再加载70个负样本
	while(num < 71)
	{
		sprintf( path ,"F:\\SVM_data\\negdata\\0000 (%d).bmp" , num);
		inputImg = imread(path,-1);
		if (inputImg.empty())
		{
			std::cerr<<"无法加载负样本！";
			return -1;
		}
		p = inputImg.reshape(1,1);
		p.convertTo(p, CV_32FC1);
		trainningMat.push_back(p);
		num++;
	}

	Mat label(170,1,CV_32FC1);   //与训练数据相应的标签,当然在txt中写数据再读出来也可以
	for (int i = 0 ;i<label.rows ;++ i)
	{
		if( i < 100)
			label.at<float>(i,0) =  1.0;
		else
			label.at<float>(i,0) =  -1.0;
	}

	CvSVM classifier;
	CvSVMParams SVM_params;
	SVM_params.kernel_type = CvSVM::LINEAR; //使用线性划分

	classifier.train(trainningMat,label ,Mat(),Mat(),SVM_params); //SVM训练


	vector<Mat> testdata; //定义测试数据

	num = 1;
	while(num < 4)
	{
		sprintf( path ,"F:\\SVM_data\\testdata\\postest%d.bmp" , num);
		inputImg = imread(path,-1);
		if (inputImg.empty())
		{
			std::cerr<<"无法加载正测试样本！";
			return -1;
		}
		p = inputImg.reshape(1,1);
		p.convertTo(p, CV_32FC1);
		testdata.push_back(p);
		num++ ;
	}

	num = 1;
	while(num < 4)
	{
		sprintf( path ,"F:\\SVM_data\\testdata\\negtest%d.bmp" , num);
		inputImg = imread(path,-1);
		if (inputImg.empty())
		{
			std::cerr<<"无法加载负测试样本！";
			return -1;
		}
		p = inputImg.reshape(1,1);
		p.convertTo(p, CV_32FC1);
		testdata.push_back(p);
		num++ ;
	}

	for (int i = 0;i < testdata.size() ; ++i)
	{
	    std::cout<<"测试样本"<<i+1<<"的测试结果为："
			<<(int)classifier.predict( testdata[i] )<<"\n";
	}

	return  0;
}

四、结果分析

       程序运行结果如下：

可从结果看出，前3个测试样本为正样本，后3个样本为负样本，所训练的模型可以正确地预测测试样本是否为车牌区域