SVM训练样本方法总结（用于目标识别）

http://blog.csdn.net/xw20084898/article/details/21389885 原文链接

目录(?)[-]

1. 引言
2. 步骤
3. 1生成SVM描述文件
4. 2将描述文件读入容器中
5. 3读入样本数量生成样本矩阵和类型矩阵
6. 4读入样本图像
7. 5提取HOG特征
8. 6将HOG特征写入txt文件
9. 7进行SVM训练

SVM样本训练步骤

尊重原创，转载本文请说明出处：http://blog.csdn.net/xw20084898/article/details/21389885

1、引言

近期在做飞形体目标识别的研究，需要做SVM训练来生成识别的分类器。从网上找了大量的参考文章，但是发现很多文章都讲的比较零散。鉴于此原因，本文对SVM训练过程做一个较为系统的总结，希望对广大初学者有所帮助。

2、步骤

（1）生成SVM描述文件；

将需要训练的样本文件的路径和对应的分类类别号写入txt文档，如：

plane/飞机训练正样本Normalize/0.jpg
1
plane/飞机训练正样本Normalize/1.jpg            命名为：SVM_DATA.txt

1

（2）将描述文件读入容器中；

定义两个容器，用于保存样本路径和分类标号，如：

 vector<string> img_path;  
         vector<int> img_catg;  

读入数据：

         int nLine = 0;  
   string buf;  
   ifstream svm_data( "SVM_DATA.txt" ); 

[cpp]  view plain copy

1.  while( svm_data )    
2.         {    
3.             if( getline( svm_data, buf) )   
4.         /*原型 
5. 　　istream& getline ( istream &is , string &str , char delim ); 　　istream& getline ( istream& , string& ); 
6. 参数  is 进行读入操作的输入流 　　str 存储读入的内容 　　delim 终结符    返回值 与参数is是一样的 
7. 功能  将输入流is中读到的字符存入str中，直到遇到终结符delim才结束。 
8.   对于第一个函数delim是可以由用户自己定义的终结符；对于第二个函数delim默认为 '\n'（换行符）。 　　 
9.   函数在输入流is中遇到文件结束符（EOF）或者在读入字符的过程中遇到错误都会结束。 　　 
10.   在遇到终结符delim后，delim会被丢弃，不存入str中。在下次读入操作时，将在delim的下个字符开始读入。*/   
11.             {    
12.             nLine ++;    
13.             if( nLine % 2 == 0 )    
14.                 {    
15.                      img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，值为0或1  用0,1区分正负样本  
16.                      //功 能： 把字符串转换成整型数。 　　名字来源：array to integer 的缩写。 　　  
17.                      //原型： int atoi(const char *nptr); 　　  
18. //函数说明: 参数nptr字符串，如果第一个非空格字符不存在或者不是数字也不是正负号则返回零，否则开始做类型转换，  
19. //之后检测到非数字(包括结束符 \0) 字符时停止转换，返回整型数。   
20.                     // 函数声明：const char *c_str(); 　　c_str()函数返回一个指向正规C字符串的指针, 内容与本string串相同.   
21.             }    
22.             else    
23.                 {    
24.                 img_path.push_back( buf );//图像路径     
25.                 }    
26.             }    
27.         }    
28.         svm_data.close();//关闭文件     

（3）读入样本数量，生成样本矩阵和类型矩阵

[cpp]  view plain copy

1. CvMat *data_mat, *res_mat;    
2.         int nImgNum = nLine / 2;            //读入样本数量     
3.     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     
4.         data_mat = cvCreateMat( nImgNum, 144, CV_32FC1 );    
5.         cvSetZero( data_mat );    
6.         //类型矩阵,存储每个样本的类型标志     
7.         res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );    
8.         cvSetZero( res_mat );    

（4）读入样本图像

[cpp]  view plain copy

1. IplImage* src;    
2.     IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3);//需要分析的图片  
3.       
4.    
5.     for( string::size_type z = 0; z != img_path.size(); z++ )    //整体循环为z  
6.     {    
7.            src=cvLoadImage(img_path[z].c_str(),1);   
8.         // 函数声明：const char *c_str();c_str()函数返回一个指向正规C字符串的指针, 内容与本string串相同.    
9.             if( src == NULL )    
10.             {    
11.                 cout<<" can not load the image: "<<img_path[z].c_str()<<endl;    
12.                continue;    
13.             }    
14.     
15.             cout<<" processing "<<img_path[z].c_str()<<endl;    

（5）提取HOG特征

[cpp]  view plain copy

1.  //以下为提取Hog特征  
2.                cvResize(src,trainImg);   //读取图片，归一化大小        
3.                HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(16,16),cvSize(16,16),9);    
4.   
5.                 vector<float>descriptors;//结果数组        
6.                 hog->compute(trainImg, descriptors,Size(8,8), Size(0,0)); //调用计算函数开始计算        
7.                 cout<<"HOG dims: "<<descriptors.size()<<endl;    
8.                 //CvMat* SVMtrainMat=cvCreateMat(descriptors.size(),1,CV_32FC1);     
9.                 n=0;    
10.                 for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)    //迭代器  
11.                 {    
12.                 cvmSet(data_mat,z,n,*iter);   //将HOG特征 存入data_mat矩阵中  
13. x=cvmGet(data_mat,z,n);  
14. cout<<"hog"<<x<<endl;  
15.                     n++;    
16.                 }  

（6）将HOG特征写入txt文件

[cpp]  view plain copy

1. FILE *fp1;  
2.     int i,j;  
3.     if((fp1=fopen("Hog.txt","ab"))==NULL)// 读写打开一个二进制文件，允许读或在文件末追加数据。  
4.     {  
5.         printf("can not open the hu file\n");  
6.         exit(0);//正常退出程序  
7.     }  
8.     for (i = 0; i <144; ++i)   
9.     {  
10.         fprintf(fp1,"%lf ",descriptors[i]);   
11.     }  
12.         //fprintf(fp1,"\r\n");  
13.     fclose(fp1);  
14.   
15.                 cvmSet( res_mat, z, 0, img_catg[z] );   //将正负样本标记存入矩阵res_mat中  
16.                 cout<<" end processing "<<img_path[z].c_str()<<" "<<img_catg[z]<<endl;    
17.     }    

（7）进行SVM训练

[cpp]  view plain copy

1. CvSVM svm = CvSVM();      
2.     CvSVMParams param;      
3.     CvTermCriteria criteria;      
4.        criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );      
5.     param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );      
6. /*     
7.     SVM种类：CvSVM::C_SVC     
8.     Kernel的种类：CvSVM::RBF     
9.     degree：10.0（此次不使用）     
10.     gamma：8.0     
11.    coef0：1.0（此次不使用）     
12.     C：10.0     
13.     nu：0.5（此次不使用）     
14.    p：0.1（此次不使用）     
15.    然后对训练数据正规化处理，并放在CvMat型的数组里。     
16.                                                         */         
17.     //SVM学习          
18.     svm.train( data_mat, res_mat, NULL, NULL, param );      
19.     //利用训练数据和确定的学习参数,进行SVM学习        
20.     svm.save( "SVM_DATA1.xml" );     
21.   
22.     cvReleaseImage(&src);  
23.     cvReleaseMat( &data_mat );   
24.     cvReleaseMat( &res_mat );    
25.      return 0;  

在以上训练过程中，要特别注意的是在创建样本矩阵的时候，其矩阵大小由样本数量和样本提取的特征维数决定的。比如上面创建的样本矩阵大小为：

[cpp]  view plain copy

1. int nImgNum = nLine / 2; 行，144列；  144是由提取HOG特征时，由窗口大小、块大小、胞元大小和每个抱怨大小中的特征数共同决定的。