【opencv机器学习】支持向量机SVM的程序

最新推荐文章于 2024-05-13 09:35:34 发布

苏源流

最新推荐文章于 2024-05-13 09:35:34 发布

阅读量718

点赞数

分类专栏：计算机视觉，图像处理机器学习文章标签：计算机视觉 opencv svm 支持向量机机器学习

计算机视觉，图像处理同时被 2 个专栏收录

78 篇文章 32 订阅

订阅专栏

机器学习

8 篇文章 0 订阅

订阅专栏

转载来源于

http://blog.csdn.net/firefight/article/details/6400060

为了学习OPENCV SVM分类器, 参考网上的"利用SVM解决2维空间向量的分类问题"实现并改为C++代码，仅供参考

环境：OPENCV2.2 + VS2008

步骤：
1，生成随机的点，并按一定的空间分布将其归类
2，创建SVM并利用随机点样本进行训练
3，将整个空间按SVM分类结果进行划分，并显示支持向量

[cpp]view plaincopy 
   
 #include "stdafx.h"  
 #include <opencv2/opencv.hpp>  
   
 void drawCross(Mat &img, Point center, Scalar color)  
 {  
     int col = center.x > 2 ? center.x : 2;  
     int row = center.y> 2 ? center.y : 2;  
   
     line(img, Point(col -2, row - 2), Point(col + 2, row + 2), color);    
     line(img, Point(col + 2, row - 2), Point(col - 2, row + 2), color);    
 }  
   
 int newSvmTest(int rows, int cols, int testCount)  
 {  
     if(testCount > rows * cols)  
         return 0;  
   
     Mat img = Mat::zeros(rows, cols, CV_8UC3);  
     Mat testPoint = Mat::zeros(rows, cols, CV_8UC1);  
     Mat data = Mat::zeros(testCount, 2, CV_32FC1);  
     Mat res = Mat::zeros(testCount, 1, CV_32SC1);  
   
     //Create random test points  
     for (int i= 0; i< testCount; i++)   
     {   
         int row = rand() % rows;  
         int col = rand() % cols;  
   
         if(testPoint.at<unsigned char>(row, col) == 0)  
         {  
             testPoint.at<unsigned char>(row, col) = 1;  
             data.at<float>(i, 0) = float (col) / cols;   
             data.at<float>(i, 1) = float (row) / rows;   
         }  
         else  
         {  
             i--;  
             continue;  
         }  
   
         if (row > ( 50 * cos(col * CV_PI/ 100) + 200) )  
         {   
             drawCross(img, Point(col, row), CV_RGB(255, 0, 0));  
             res.at<unsigned int>(i, 0) = 1;   
         }   
         else   
         {   
             if (col > 200)   
             {   
                 drawCross(img, Point(col, row), CV_RGB(0, 255, 0));  
                 res.at<unsigned int>(i, 0) = 2;   
             }   
             else   
             {   
                 drawCross(img, Point(col, row), CV_RGB(0, 0, 255));  
                 res.at<unsigned int>(i, 0) = 3;   
             }   
         }   
   
     }  
   
     //Show test points  
     imshow("dst", img);  
     waitKey(0);  
   
     /START SVM TRAINNING//  
     CvSVM svm = CvSVM();   
     CvSVMParams param;   
     CvTermCriteria criteria;  
   
     criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON);   
     param= CvSVMParams (CvSVM::C_SVC, CvSVM::RBF, 10.0, 8.0, 1.0, 10.0, 0.5, 0.1, NULL, criteria);   
   
     svm.train(data, res, Mat(), Mat(), param);  
   
     for (int i= 0; i< rows; i++)   
     {   
         for (int j= 0; j< cols; j++)   
         {   
             Mat m = Mat::zeros(1, 2, CV_32FC1);  
             m.at<float>(0,0) = float (j) / cols;  
             m.at<float>(0,1) = float (i) / rows;  
   
             float ret = 0.0;   
             ret = svm.predict(m);   
             Scalar rcolor;   
   
             switch ((int) ret)   
             {   
                 case 1: rcolor= CV_RGB(100, 0, 0); break;   
                 case 2: rcolor= CV_RGB(0, 100, 0); break;   
                 case 3: rcolor= CV_RGB(0, 0, 100); break;   
             }   
   
             line(img, Point(j,i), Point(j,i), rcolor);  
         }   
     }  
   
     imshow("dst", img);  
     waitKey(0);  
   
     //Show support vectors  
     int sv_num= svm.get_support_vector_count();   
     for (int i= 0; i< sv_num; i++)   
     {   
         const float* support = svm.get_support_vector(i);   
         circle(img, Point((int) (support[0] * cols), (int) (support[1] * rows)), 5, CV_RGB(200, 200, 200));   
     }  
   
     imshow("dst", img);  
     waitKey(0);  
   
     return 0;  
 }  
   
 int main(int argc, char** argv)  
 {  
     return newSvmTest(400, 600, 100);  
 }  

学习样本：

分类：

支持向量：

OpenCV 2.4+ C++ SVM文字识别

转载于 http://www.cnblogs.com/justany/archive/2012/11/27/2789767.html

预备知识

下面两个都不是必备知识，但是如果你想了解更多内容，可参考这两篇文章。

OpenCV 2.4+ C++ SVM介绍

OpenCV 2.4+ C++ SVM线性不可分处理

SVM划分的意义

到此，我们已经对SVM有一定的了解了。可是这有什么用呢？回到上一篇文章结果图：

这个结果图的意义在于，他成功从二维划分了分类的区域。于是如果以后，有一个新的样本在绿色区域，那么我们就可以把他当成是绿色的点。

由于这可以像更高维度推广，所以如果我们能对样品映射成高维度空间的点，当有足够多的样品时，我们同样可以找到一个高维度的超平面划分，使得同一类样品的映射点在同一区域，于是当有新样品落在这些区域是，我们可以把它当成是这一类型的样本。

通俗一点

可能我们能更加通俗一点。比如我们来识别男性和女性。

我们发现男性和女性可能头发长度不一样，可能胸围不一样，于是我们对样本个体产生这样的一种映射：

　　　　人 —> （头发长度, 胸围）

于是我们将每个样品映射到二维平面，其中“头发的长度”和“胸围的长度”分别是x轴和y轴。我们把这些样品丢给SVM学习，则他会寻找出一个合理的x和y的区域来划分男性和女性。

当然，也有可能有些男的头发比女的还长，有的男性的胸围比女性还大，这些就是错分点，它们也影响着划分。

最后，当我们把一个人映射到这个二维空间时，SVM就可以根据以往的学习，猜一猜这个人到底是什么性别。

我们学到了什么呢？

好吧，特征要找准一点，否则可能遇到下面的悲剧……

如果这是老板，你可就死翘翘了……

简单的文字识别

当然计算机没那么厉害能看出你的胸围或者头发长短。他需要一些他能读懂的东西，特别计算机通常“看到”的是下面的这种东东……

我们需要对文字找到他的特征，来映射到高维空间。

还记得小学时候练字的米字格么？这似乎暗示了我们，虽然每个人写的字千差万别，但是他们却具有一定的特点。

我们尝试这样做，取一个字，选取一个包含该字的正方形区域，将这个正方形区域分割成8*8个小格，统计每个小格中像素的数量，以这些数量为维度进行映射。

OK，明白了原理让我们开始吧。

被提醒了，那么补充一句：这个例子在实际中用来辨认是不可行的。

样本获取

由于通常文字样本都是白底黑字的，而手写也可以直接获取写入的数据而无视背景，所以我们并不需要对样本进行提取，但我们需要对他定位，并弄成合适的大小。

比如，你没法避免有人这么写字……

坑爹啊，好好的那么大地方你就躲在左上角……

开始定位

void getROI(Mat& src, Mat& dst){
    int left, right, top, bottom;
    left = src.cols;
    right = 0;
    top = src.rows;
    bottom = 0;

    //得到区域
    for(int i=0; i<src.rows; i++)
    {
        for(int j=0; j<src.cols; j++)
        {
            if(src.at<uchar>(i, j) > 0)
            {
                if(j<left) left = j;
                if(j>right) right = j;
                if(i<top) top = i;
                if(i>bottom) bottom = i;
            }
        }
    }

    int width = right - left;
    int height = bottom - top;

    //创建存储矩阵
    dst = Mat::zeros(width, height, CV_8UC1);

    Rect dstRect(left, top, width, height);
    dst(dstRect);
}

这段代码通过遍历所有图像矩阵的元素，来获取该样本的定位和大小。并把样本提取出来。

重新缩放

Mat dst = Mat::zeros(8, 8, CV_8UC1);
resize(src, dst, dst.size());

进行缩放，把所有样本变成8*8的大小。为了简便，我们把像素多少变成了像素的灰度值。

resize的API：

调整图片大小

C++: void resize (InputArray src, OutputArray dst, Size dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR )

参数
src – 输入图像。
dst – 输出图像；它有一个dsize (当其不为0时) 或者这个size由 src.size()，fx和fy算出。dst的类型和src相同。
dsize –
输出图像的大小，如果取值为0，则：

dsize或者fx和fy必须有一种大小决定方法不为0。

fx –
水平轴缩放因子，当取值为0时，则为：

fy –
垂直轴缩放因子，当取值为0时，则为：

interpolation –
插值方法

INTER_NEAREST - 最近邻值插入方法。
INTER_LINEAR - 双线性插值（默认方式）。
INTER_AREA - 使用象素关系重采样。当图像缩小时候，该方法可以避免波纹出现。当图像放大时，类似于 CV_INTER_NN 方法。
INTER_CUBIC - 立方插值。
INTER_LANCZOS4 - 8x8的Lanczos插入方法。

参数	src – 输入图像。 dst – 输出图像；它有一个`dsize` (当其不为0时) 或者这个size由 `src.size()，fx`和`fy算出`。`dst`的类型和`src相同。` dsize – 输出图像的大小，如果取值为0，则： `dsize`或者`fx和fy`必须有一种大小决定方法不为0。 fx – 水平轴缩放因子，当取值为0时，则为： fy – 垂直轴缩放因子，当取值为0时，则为： interpolation – 插值方法 INTER_NEAREST - 最近邻值插入方法。 INTER_LINEAR - 双线性插值（默认方式）。 INTER_AREA - 使用象素关系重采样。当图像缩小时候，该方法可以避免波纹出现。当图像放大时，类似于 CV_INTER_NN 方法。 INTER_CUBIC - 立方插值。 INTER_LANCZOS4 - 8x8的Lanczos插入方法。

准备样本数据

Mat data = Mat::zeros(total, 64, CV_32FC1);    //样本数据矩阵  
Mat res = Mat::zeros(total, 1, CV_32SC1);    //样本标签矩阵

res.at<double>(k, 1) = label;    //对第k个样本添加分类标签

//对第k个样本添加数据
for(int i = 0; i<8; i++)  {  
    for(int j = 0; j<8; j++)  {  
        res.at<double>(k, i * 8 + j) = dst.at<double>(i, j);  
    }  
}

将刚刚的结果，输入样本，并加上标签。

训练

CvSVM svm = CvSVM();   
CvSVMParams param;   
CvTermCriteria criteria;  
  
criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000,  FLT_EPSILON);   
param= CvSVMParams(CvSVM::C_SVC, CvSVM::RBF, 10.0, 8.0, 1.0, 10.0, 0.5, 0.1, NULL, criteria);   
  
svm.train(data, res, Mat(), Mat(), param);  
svm.save( "SVM_DATA.xml" );

开始训练并保存训练数据。

使用

CvSVM svm = CvSVM();   
svm.load( "SVM_DATA.xml" );
svm.predict(m);        //对样本向量m检测

自己训练SVM分类器进行HOG行人检测

转载于http://blog.csdn.net/masibuaa/article/details/16105073?utm_source=tuicool&utm_medium=referral

正样本来源是INRIA数据集中的96*160大小的人体图片，使用时上下左右都去掉16个像素，截取中间的64*128大小的人体。

负样本是从不包含人体的图片中随机裁取的，大小同样是64*128(从完全不包含人体的图片中随机剪裁出64*128大小的用于人体检测的负样本)。

SVM使用的是OpenCV自带的CvSVM类。

首先计算正负样本图像的HOG描述子，组成一个特征向量矩阵，对应的要有一个指定每个特征向量的类别的类标向量，输入SVM中进行训练。

训练好的SVM分类器保存为XML文件，然后根据其中的支持向量和参数生成OpenCV中的HOG描述子可用的检测子参数，再调用OpenCV中的多尺度检测函数进行行人检测。

难例(Hard Example)是指利用第一次训练的分类器在负样本原图(肯定没有人体)上进行行人检测时所有检测到的矩形框，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，可显著减少误报。

用训练好的分类器在负样本原图上检测Hard Example见：用初次训练的SVM+HOG分类器在负样本原图上检测HardExample

Navneet Dalal在CVPR2005上的HOG原论文翻译见：http://blog.csdn.net/masibuaa/article/details/14056807

[cpp]view plaincopy 
   
 #include <iostream>  
 #include <fstream>  
 #include <opencv2/core/core.hpp>  
 #include <opencv2/highgui/highgui.hpp>  
 #include <opencv2/imgproc/imgproc.hpp>  
 #include <opencv2/objdetect/objdetect.hpp>  
 #include <opencv2/ml/ml.hpp>  
   
 using namespace std;  
 using namespace cv;  
   
 #define PosSamNO 2400    //正样本个数  
 #define NegSamNO 12000    //负样本个数  
   
 #define TRAIN false    //是否进行训练,true表示重新训练，false表示读取xml文件中的SVM模型  
 #define CENTRAL_CROP true   //true:训练时，对96*160的INRIA正样本图片剪裁出中间的64*128大小人体  
   
 //HardExample：负样本个数。如果HardExampleNO大于0，表示处理完初始负样本集后，继续处理HardExample负样本集。  
 //不使用HardExample时必须设置为0，因为特征向量矩阵和特征类别矩阵的维数初始化时用到这个值  
 #define HardExampleNO 4435    
   
   
 //继承自CvSVM的类，因为生成setSVMDetector()中用到的检测子参数时，需要用到训练好的SVM的decision_func参数，  
 //但通过查看CvSVM源码可知decision_func参数是protected类型变量，无法直接访问到，只能继承之后通过函数访问  
 class MySVM : public CvSVM  
 {  
 public:  
     //获得SVM的决策函数中的alpha数组  
     double * get_alpha_vector()  
     {  
         return this->decision_func->alpha;  
     }  
   
     //获得SVM的决策函数中的rho参数,即偏移量  
     float get_rho()  
     {  
         return this->decision_func->rho;  
     }  
 };  
   
   
   
 int main()  
 {  
     //检测窗口(64,128),块尺寸(16,16),块步长(8,8),cell尺寸(8,8),直方图bin个数9  
     HOGDescriptor hog(Size(64,128),Size(16,16),Size(8,8),Size(8,8),9);//HOG检测器，用来计算HOG描述子的  
     int DescriptorDim;//HOG描述子的维数，由图片大小、检测窗口大小、块大小、细胞单元中直方图bin个数决定  
     MySVM svm;//SVM分类器  
   
     //若TRAIN为true，重新训练分类器  
     if(TRAIN)  
     {  
         string ImgName;//图片名(绝对路径)  
         ifstream finPos("INRIAPerson96X160PosList.txt");//正样本图片的文件名列表  
         //ifstream finPos("PersonFromVOC2012List.txt");//正样本图片的文件名列表  
         ifstream finNeg("NoPersonFromINRIAList.txt");//负样本图片的文件名列表  
   
         Mat sampleFeatureMat;//所有训练样本的特征向量组成的矩阵，行数等于所有样本的个数，列数等于HOG描述子维数      
         Mat sampleLabelMat;//训练样本的类别向量，行数等于所有样本的个数，列数等于1；1表示有人，-1表示无人  
   
   
         //依次读取正样本图片，生成HOG描述子  
         for(int num=0; num<PosSamNO && getline(finPos,ImgName); num++)  
         {  
             cout<<"处理："<<ImgName<<endl;  
             //ImgName = "D:\\DataSet\\PersonFromVOC2012\\" + ImgName;//加上正样本的路径名  
             ImgName = "D:\\DataSet\\INRIAPerson\\INRIAPerson\\96X160H96\\Train\\pos\\" + ImgName;//加上正样本的路径名  
             Mat src = imread(ImgName);//读取图片  
             if(CENTRAL_CROP)  
                 src = src(Rect(16,16,64,128));//将96*160的INRIA正样本图片剪裁为64*128，即剪去上下左右各16个像素  
             //resize(src,src,Size(64,128));  
   
             vector<float> descriptors;//HOG描述子向量  
             hog.compute(src,descriptors,Size(8,8));//计算HOG描述子，检测窗口移动步长(8,8)  
             //cout<<"描述子维数："<<descriptors.size()<<endl;  
   
             //处理第一个样本时初始化特征向量矩阵和类别矩阵，因为只有知道了特征向量的维数才能初始化特征向量矩阵  
             if( 0 == num )  
             {  
                 DescriptorDim = descriptors.size();//HOG描述子的维数  
                 //初始化所有训练样本的特征向量组成的矩阵，行数等于所有样本的个数，列数等于HOG描述子维数sampleFeatureMat  
                 sampleFeatureMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, DescriptorDim, CV_32FC1);  
                 //初始化训练样本的类别向量，行数等于所有样本的个数，列数等于1；1表示有人，0表示无人  
                 sampleLabelMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, 1, CV_32FC1);  
             }  
   
             //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat  
             for(int i=0; i<DescriptorDim; i++)  
                 sampleFeatureMat.at<float>(num,i) = descriptors[i];//第num个样本的特征向量中的第i个元素  
             sampleLabelMat.at<float>(num,0) = 1;//正样本类别为1，有人  
         }  
   
         //依次读取负样本图片，生成HOG描述子  
         for(int num=0; num<NegSamNO && getline(finNeg,ImgName); num++)  
         {  
             cout<<"处理："<<ImgName<<endl;  
             ImgName = "D:\\DataSet\\NoPersonFromINRIA\\" + ImgName;//加上负样本的路径名  
             Mat src = imread(ImgName);//读取图片  
             //resize(src,img,Size(64,128));  
   
             vector<float> descriptors;//HOG描述子向量  
             hog.compute(src,descriptors,Size(8,8));//计算HOG描述子，检测窗口移动步长(8,8)  
             //cout<<"描述子维数："<<descriptors.size()<<endl;  
   
             //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat  
             for(int i=0; i<DescriptorDim; i++)  
                 sampleFeatureMat.at<float>(num+PosSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素  
             sampleLabelMat.at<float>(num+PosSamNO,0) = -1;//负样本类别为-1，无人  
         }  
   
         //处理HardExample负样本  
         if(HardExampleNO > 0)  
         {  
             ifstream finHardExample("HardExample_2400PosINRIA_12000NegList.txt");//HardExample负样本的文件名列表  
             //依次读取HardExample负样本图片，生成HOG描述子  
             for(int num=0; num<HardExampleNO && getline(finHardExample,ImgName); num++)  
             {  
                 cout<<"处理："<<ImgName<<endl;  
                 ImgName = "D:\\DataSet\\HardExample_2400PosINRIA_12000Neg\\" + ImgName;//加上HardExample负样本的路径名  
                 Mat src = imread(ImgName);//读取图片  
                 //resize(src,img,Size(64,128));  
   
                 vector<float> descriptors;//HOG描述子向量  
                 hog.compute(src,descriptors,Size(8,8));//计算HOG描述子，检测窗口移动步长(8,8)  
                 //cout<<"描述子维数："<<descriptors.size()<<endl;  
   
                 //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat  
                 for(int i=0; i<DescriptorDim; i++)  
                     sampleFeatureMat.at<float>(num+PosSamNO+NegSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素  
                 sampleLabelMat.at<float>(num+PosSamNO+NegSamNO,0) = -1;//负样本类别为-1，无人  
             }  
         }  
   
         输出样本的HOG特征向量矩阵到文件  
         //ofstream fout("SampleFeatureMat.txt");  
         //for(int i=0; i<PosSamNO+NegSamNO; i++)  
         //{  
         //  fout<<i<<endl;  
         //  for(int j=0; j<DescriptorDim; j++)  
         //      fout<<sampleFeatureMat.at<float>(i,j)<<"  ";  
         //  fout<<endl;  
         //}  
   
         //训练SVM分类器  
         //迭代终止条件，当迭代满1000次或误差小于FLT_EPSILON时停止迭代  
         CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 1000, FLT_EPSILON);  
         //SVM参数：SVM类型为C_SVC；线性核函数；松弛因子C=0.01  
         CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria);  
         cout<<"开始训练SVM分类器"<<endl;  
         svm.train(sampleFeatureMat, sampleLabelMat, Mat(), Mat(), param);//训练分类器  
         cout<<"训练完成"<<endl;  
         svm.save("SVM_HOG.xml");//将训练好的SVM模型保存为xml文件  
   
     }  
     else //若TRAIN为false，从XML文件读取训练好的分类器  
     {  
         svm.load("SVM_HOG_2400PosINRIA_12000Neg_HardExample(误报少了漏检多了).xml");//从XML文件读取训练好的SVM模型  
     }  
   
   
     /************************************************************************************************* 
     线性SVM训练完成后得到的XML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（cv::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。 
     ***************************************************************************************************/  
     DescriptorDim = svm.get_var_count();//特征向量的维数，即HOG描述子的维数  
     int supportVectorNum = svm.get_support_vector_count();//支持向量的个数  
     cout<<"支持向量个数："<<supportVectorNum<<endl;  
   
     Mat alphaMat = Mat::zeros(1, supportVectorNum, CV_32FC1);//alpha向量，长度等于支持向量个数  
     Mat supportVectorMat = Mat::zeros(supportVectorNum, DescriptorDim, CV_32FC1);//支持向量矩阵  
     Mat resultMat = Mat::zeros(1, DescriptorDim, CV_32FC1);//alpha向量乘以支持向量矩阵的结果  
   
     //将支持向量的数据复制到supportVectorMat矩阵中  
     for(int i=0; i<supportVectorNum; i++)  
     {  
         const float * pSVData = svm.get_support_vector(i);//返回第i个支持向量的数据指针  
         for(int j=0; j<DescriptorDim; j++)  
         {  
             //cout<<pData[j]<<" ";  
             supportVectorMat.at<float>(i,j) = pSVData[j];  
         }  
     }  
   
     //将alpha向量的数据复制到alphaMat中  
     double * pAlphaData = svm.get_alpha_vector();//返回SVM的决策函数中的alpha向量  
     for(int i=0; i<supportVectorNum; i++)  
     {  
         alphaMat.at<float>(0,i) = pAlphaData[i];  
     }  
   
     //计算-(alphaMat * supportVectorMat),结果放到resultMat中  
     //gemm(alphaMat, supportVectorMat, -1, 0, 1, resultMat);//不知道为什么加负号？  
     resultMat = -1 * alphaMat * supportVectorMat;  
   
     //得到最终的setSVMDetector(const vector<float>& detector)参数中可用的检测子  
     vector<float> myDetector;  
     //将resultMat中的数据复制到数组myDetector中  
     for(int i=0; i<DescriptorDim; i++)  
     {  
         myDetector.push_back(resultMat.at<float>(0,i));  
     }  
     //最后添加偏移量rho，得到检测子  
     myDetector.push_back(svm.get_rho());  
     cout<<"检测子维数："<<myDetector.size()<<endl;  
     //设置HOGDescriptor的检测子  
     HOGDescriptor myHOG;  
     myHOG.setSVMDetector(myDetector);  
     //myHOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());  
   
     //保存检测子参数到文件  
     ofstream fout("HOGDetectorForOpenCV.txt");  
     for(int i=0; i<myDetector.size(); i++)  
     {  
         fout<<myDetector[i]<<endl;  
     }  
   
   
     /**************读入图片进行HOG行人检测******************/  
     //Mat src = imread("00000.jpg");  
     //Mat src = imread("2007_000423.jpg");  
     Mat src = imread("1.png");  
     vector<Rect> found, found_filtered;//矩形框数组  
     cout<<"进行多尺度HOG人体检测"<<endl;  
     myHOG.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);//对图片进行多尺度行人检测  
     cout<<"找到的矩形框个数："<<found.size()<<endl;  
   
     //找出所有没有嵌套的矩形框r,并放入found_filtered中,如果有嵌套的话,则取外面最大的那个矩形框放入found_filtered中  
     for(int i=0; i < found.size(); i++)  
     {  
         Rect r = found[i];  
         int j=0;  
         for(; j < found.size(); j++)  
             if(j != i && (r & found[j]) == r)  
                 break;  
         if( j == found.size())  
             found_filtered.push_back(r);  
     }  
   
     //画矩形框，因为hog检测出的矩形框比实际人体框要稍微大些,所以这里需要做一些调整  
     for(int i=0; i<found_filtered.size(); i++)  
     {  
         Rect r = found_filtered[i];  
         r.x += cvRound(r.width*0.1);  
         r.width = cvRound(r.width*0.8);  
         r.y += cvRound(r.height*0.07);  
         r.height = cvRound(r.height*0.8);  
         rectangle(src, r.tl(), r.br(), Scalar(0,255,0), 3);  
     }  
   
     imwrite("ImgProcessed.jpg",src);  
     namedWindow("src",0);  
     imshow("src",src);  
     waitKey();//注意：imshow之后必须加waitKey，否则无法显示图像  
       
   
     /******************读入单个64*128的测试图并对其HOG描述子进行分类*********************/  
     读取测试图片(64*128大小)，并计算其HOG描述子  
     Mat testImg = imread("person014142.jpg");  
     //Mat testImg = imread("noperson000026.jpg");  
     //vector<float> descriptor;  
     //hog.compute(testImg,descriptor,Size(8,8));//计算HOG描述子，检测窗口移动步长(8,8)  
     //Mat testFeatureMat = Mat::zeros(1,3780,CV_32FC1);//测试样本的特征向量矩阵  
     将计算好的HOG描述子复制到testFeatureMat矩阵中  
     //for(int i=0; i<descriptor.size(); i++)  
     //  testFeatureMat.at<float>(0,i) = descriptor[i];  
   
     用训练好的SVM分类器对测试图片的特征向量进行分类  
     //int result = svm.predict(testFeatureMat);//返回类标  
     //cout<<"分类结果："<<result<<endl;  
   
   
   
     system("pause");  
 }  

结果：

(1) 1500个INRIA正样本，2000个负样本，结果误报太多：

(2) 2400个INRIA正样本，12000个负样本，结果表明负样本增多后误报明显减少，但依然有不少误报：

(3)2400个INRIA正样本，12000个负样本 + 4435个用(2)中的分类器在负样本原图上检测出来的Hard Example，

结果误报明显减少，几乎没有误报了，但同时漏检率增加：

上图中的两个小女孩都没有被检测出来

(4)下面是OpenCV中HOG检测器的默认SVM参数的结果，OpenCV自带的SVM参数也是用INRIA数据集训练得到的：

上图中的两个小女孩用OpenCV默认SVM参数也检测不出来。

所以感觉要想效果好的话，还应该加大正样本的个数。

参考： http://blog.csdn.net/carson2005/article/details/7841443

源码下载，环境为VS2010 + OpenCV2.4.4

http://download.csdn.net/detail/masikkk/6547973

1500个INRIA正样本，2000个负样本训练好的SVM下载(XML文件)：http://pan.baidu.com/s/18CCos

2400个INRIA正样本，12000个负样本训练好的SVM下载(XML文件)：http://pan.baidu.com/s/1gmudL

2400个INRIA正样本，12000个负样本 + 4435个用(2)中的分类器在负样本原图上检测出来的Hard Example 训练好的SVM下载(XML文件)：http://pan.baidu.com/s/126Yoc

苏源流

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
【opencv机器学习】支持向量机SVM的程序

1，生成随机的点，并按一定的空间分布将其归类2，创建SVM并利用随机点样本进行训练3，将整个空间按SVM分类结果进行划分，并显示支持向量SVM划分的意义到此，我们已经对SVM有一定的了解了。可是这有什么用呢？回到上一篇文章结果图：这个结果图的意义在于，他成功从二维划分了分类的区域。于是如果以后，有一个新的样本在绿色区域，那么我们就可以把他当成是绿色的点。由于这可以像更高维度推广，所以如果我们能对样品映射成高维度空间的点，当有足够多的样品时，我们同样可以找到一个高维度的超平面划分，使得同一类样品
复制链接

扫一扫