OpenCV中神经网络的应用

OpenCV中神经网络的应用

OpenCV中也提供神经网络的算法，下面对其中的一些参数进行介绍。

激活函数

OpenCV中提供三种激活函数，分别是线性激活函数、sigmoid激活函数和高斯激活函数。

我们最常用的也是OpenCV默认的激活函数是sigmoid激活函数，在α=1，β=1的情况下，其输出f(x)的区间是-1到1。

尺寸选择

神经网络的尺寸越大，也即隐藏层越多、神经元越多，训练得到的神经网络就越灵活，能够更好的拟合样本集。但这样神经网络也学习到了样本集的噪音，因此当神经网络的尺寸增加到一定数值后，其精度不再上升，而是开始下降。另外，大尺寸的神经网络训练时间会明显增长，如果需要可以考虑使用PCA:operator()（主成分分析）或者其他类似的降维方法，仅对必要的特征进行训练。

训练算法

OpenCV中有两种神经网络训练算法，一种是经典的随机序列反向传播算法（BACKPROP），另外一种是自适应快速反向传播算法，这也是OpenCV的默认算法。

训练参数CvANN_MLP_TrainParams

CvANN_MLP_TrainParams这个结构体包含神经网络的一些训练参数，针对BACKPROP和RPROP算法的参数是不同的。CvANN_MLP_TrainParams有一个默认构造函数，一般情况下我们使用默认构造函数的参数就好了。

CvANN_MLP_TrainParams::CvANN_MLP_TrainParams()

{

     term_crit = cvTermCriteria( CV_TERMCRIT_ITER + CV_TERMCRIT_EPS, 1000, 0.01 );

     train_method = RPROP;

     bp_dw_scale = bp_moment_scale = 0.1;

     rp_dw0 = 0.1; rp_dw_plus = 1.2; rp_dw_minus = 0.5;

     rp_dw_min = FLT_EPSILON; rp_dw_max = 50.;

}

cvTermCriteria这个结构体主要定义了训练的终止条件，CV_TERMCRIT_ITER 表示迭代到指定次数停止，CV_TERMCRIT_EPS表示误差小于指定值时迭代终止，默认迭代次数1000次，误差0.01，两个参数中有一个达到训练即终止。权值更新率bp_dw_scale和权值更新冲量bp_moment_scale这两个量一般情况设置为默认值0.1就行了。后面的5个参数是针对RPROP算法设置的，具体意义请参考RPROP算法的参考文献。

训练

int CvANN_MLP::train(const Mat& inputs, const Mat& outputs, const Mat& sampleWeights, const Mat& sampleIdx=Mat(), CvANN_MLP_TrainParams params=CvANN_MLP_TrainParams(), int flags=0 );

1. inputs：输入矩阵。它存储了所有训练样本的特征。假设所有样本总数为nSamples，而我们提取的特征维数为ndims，则inputs是一个nSamples*ndims的矩阵。
2. outputs：输出矩阵。我们实际在训练中，我们知道每个样本所属的种类，假设一共有nClass类。那么我们将outputs设置为一个nSample行nClass列的矩阵，每一行表示一个样本的预期输出结果，该样本所属的那类对应的列设置为1，其他都为0。比如我们需要识别0-9这10个数字，则总的类数为10类，那么样本数字“3”的预期输出为[0,0,1,0,0,0,0,0,0,0];
3. sampleWeights：一个在使用RPROP方法训练时才需要的数据，使用RPROP直接设置为Mat()即可。
4. sampleIdx：相当于一个遮罩，它指定哪些行的数据参与训练。如果设置为Mat()，则所有行都参与。
5. params：训练参数。
6. flag：它提供了3个可选项参数，用来指定数据处理的方式，我们可以用逻辑符号去组合它们。UPDATE_WEIGHTS指定用一定的算法去初始化权值矩阵而不是用随机的方法。NO_INPUT_SCALE和NO_OUTPUT_SCALE分别用于禁止输入与输出矩阵的归一化。

识别

float CvANN_MLP::predict(const Mat& inputs, Mat& outputs) const

在进行识别的时候，我们对图像进行特征提取，把它保存在inputs里，通过调用predict函数，我们得到一个输出向量，它是一个1*nClass的行向量，其中每一列说明它与该类的相似程度（0-1之间），也可以说是置信度。我们只用对output求一个最大值，就可得到结果。这个函数的返回值是一个无用的float值，应该忽略。

示例

int main()  

{  

    //Setup the BPNetwork  

    CvANN_MLP bp;  

    // Set up BPNetwork's parameters  

    CvANN_MLP_TrainParams params;  

    params.train_method=CvANN_MLP_TrainParams::BACKPROP;  

    params.bp_dw_scale=0.1;  

    params.bp_moment_scale=0.1;  

  

    // Set up training data  

    float labels[4][2] = {{1.0,-1.0},{-1.0,1.0},{-1.0,1.0},{-1.0,1.0}};  

    Mat labelsMat(4, 2, CV_32FC1, labels);  

    float trainingData[4][2] = { {501,10},{255,10}, {501,255},{10,501} };  

    Mat trainingDataMat(4, 2, CV_32FC1, trainingData);  

    //Fist param:input feature number  Second param:Hidden layer neuron number   Third param:output feature number  

    Mat layerSizes=(Mat_<<span class="datatypes" style="margin: 0px; padding: 0px; border: none; color: rgb(46, 139, 87); background-color: inherit; font-weight: bold;">int>(1,3) << 2,6,2);  

    //create BPNetwork  

    bp.create(layerSizes,CvANN_MLP::SIGMOID_SYM);  

  

    cout<<"Start train BP network"<<endl;  

    bp.train(trainingDataMat, labelsMat, Mat(),Mat(), params);  

    cout<<"End of train BP network"<<endl;  

  

    // Data for visual representation  

    int width = 512, height = 512;  

    Mat image = Mat::zeros(height, width, CV_8UC3);  

    Vec3b green(0,255,0), blue (255,0,0);  

    // Show the decision regions given by the SVM  

    Mat sampleMat(Mat_<<span class="datatypes" style="margin: 0px; padding: 0px; border: none; color: rgb(46, 139, 87); background-color: inherit; font-weight: bold;">float>(1,2));  

    Mat responseMat;  

  

    cout<<"Starting predict result"<<endl;  

    for (int i = 0; i < image.rows; ++i)  

    {  

        for (int j = 0; j < image.cols; ++j)  

        {  

            sampleMat = (Mat_<<span class="datatypes" style="margin: 0px; padding: 0px; border: none; color: rgb(46, 139, 87); background-color: inherit; font-weight: bold;">float>(1,2) << j,i);  

              

            bp.predict(sampleMat,responseMat);  

  

            Point maxLoc;  

            double maxVal;  

            minMaxLoc(responseMat,NULL,&maxVal,NULL,&maxLoc);  

            int result=maxLoc.x;  

            if (result == 0)  

                image.ptr(i)[j] = green;  

            else   

                image.ptr(i)[j] = blue;  

        }  

    }  

    cout<<"End of predict result"<<endl;  

  

    // Visualize the training data  

    int thickness = -1;  

    int lineType = 8;  

    circle( image, Point(501,  10), 5, Scalar(  0,   0,   0), thickness, lineType);  

    circle( image, Point(255,  10), 5, Scalar(255, 255, 255), thickness, lineType);  

    circle( image, Point(501, 255), 5, Scalar(255, 255, 255), thickness, lineType);  

    circle( image, Point( 10, 501), 5, Scalar(255, 255, 255), thickness, lineType);  

    imwrite("result.png", image);        // save the image  

    imshow("BP Simple Example", image); // show it to the user  

    waitKey(0);  

}  

结果如下图：

【转载】http://blog.sina.com.cn/s/blog_802a94a20102vj8q.html