Opencv with Java 机器学习

训练分类器

参考：
OpenCV3 Java 机器学习使用方法汇总
OpenCV 之 神经网络 (一)

package train;

import org.opencv.core.Core;
import org.opencv.core.CvType;
import org.opencv.core.Mat;
import org.opencv.core.TermCriteria;
import org.opencv.ml.ANN_MLP;
import org.opencv.ml.Ml;
import org.opencv.ml.TrainData;

public class Study_02 {
    static {
        System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
    }
    public static void run() {    
        // 训练数据，两个维度，表示身高和体重    
        float[] trainingData = { 186, 80, 185, 81, 160, 50, 161, 48 };    
        // 训练标签数据，前两个表示男生0，后两个表示女生1,由于使用了多种机器学习算法，他们的输入有些不一样，所以labelsMat有三种     
        float[] labels = { 0f, 0f, 0f, 0f, 1f, 1f, 1f, 1f };    
        int[] labels2 = { 0, 0, 1, 1 };    
        float[] labels3 = { 0, 0, 1, 1 };    
        // 测试数据,先男后女    
        float[] test = { 184, 79, 159, 50 };    

        Mat trainingDataMat = new Mat(4, 2, CvType.CV_32FC1);    
        trainingDataMat.put(0, 0, trainingData);    

        Mat labelsMat = new Mat(4, 2, CvType.CV_32FC1);    
        labelsMat.put(0, 0, labels);    

        Mat labelsMat2 = new Mat(4, 1, CvType.CV_32SC1);    
        labelsMat2.put(0, 0, labels2);    

        Mat labelsMat3 = new Mat(4, 1, CvType.CV_32FC1);    
        labelsMat3.put(0, 0, labels3);    

        Mat sampleMat = new Mat(2, 2, CvType.CV_32FC1);    
        sampleMat.put(0, 0, test);    

        MyAnn(trainingDataMat, labelsMat, sampleMat);       
    }   

    // 人工神经网络    
    public static Mat MyAnn(Mat trainingData, Mat labels, Mat testData) {    
        /*
         * TrainData create(Mat samples, int layout, Mat responses)
         *  - samples:矩阵样本，需要 CV_32F 类型
         *  - labels: ROW_SAMPLE 行样本，COL_SAMPLE 列样本 
         *  - responses：对应样本的分类结果。
         */   
        TrainData td = TrainData.create(trainingData, Ml.ROW_SAMPLE, labels);    
        Mat layerSizes = new Mat(1, 4, CvType.CV_32FC1);    
        // 含有两个隐含层的网络结构，输入、输出层各两个节点，每个隐含层含两个节点    
        layerSizes.put(0, 0, new float[] { 2, 2, 2, 2 });    
        ANN_MLP ann = ANN_MLP.create(); //创建空模型   
        ann.setLayerSizes(layerSizes); //设置神经网络的层数和神经元数量   
        /* setTrainMethod(): 设置训练方法。BACKPROP,RPROP,ANNEAL，默认是RPROP
         * setActivationFunction(type, param1, param2) 设置激活函数。
         *   - type: 目前只支持ANN_MLP.SIGMOID_SYM。
         *   - param1: 对应 setBackpropWeightScale()中的参数。
         *   - param2: 对应 setBackpropMomentumScale()中的参数。
         */
        ann.setTrainMethod(ANN_MLP.BACKPROP);    
        ann.setBackpropWeightScale(0.1); //默认值0.1   
        ann.setBackpropMomentumScale(0.1);//默认值 0.1    
        ann.setActivationFunction(ANN_MLP.SIGMOID_SYM, 1, 1);    

      //设置迭代终止准则，默认为TermCriteria(TermCriteria.MAX_ITER + TermCriteria.EPS, 1000, 0.01)
        ann.setTermCriteria(new TermCriteria(TermCriteria.MAX_ITER + TermCriteria.EPS, 300, 0.0));    
        boolean success = ann.train(td.getSamples(), Ml.ROW_SAMPLE, td.getResponses());    
        System.out.println("Ann training result: " + success);    
        // ann.save("D:/bp.xml");//存储模型    
        // ann.load("D:/bp.xml");//读取模型    

        // 测试数据    
        Mat responseMat = new Mat();    
        ann.predict(testData, responseMat, 0);    
        System.out.println("Ann responseMat:\n" + responseMat.dump());    
        for (int i = 0; i < responseMat.size().height; i++) {    
            if (responseMat.get(i, 0)[0] + responseMat.get(i, i)[0] >= 1)    
                System.out.println("Girl\n");    
            if (responseMat.get(i, 0)[0] + responseMat.get(i, i)[0] < 1)    
                System.out.println("Boy\n");    
        }    
        return responseMat;    
    }    

    public static void main(String[] args) {
        run();
    }

}