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:
![](https://img-blog.csdn.net/20160504113137156?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
![](https://img-blog.csdn.net/20160504113159047?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
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;
- Mat inputImg;
- Mat p;
-
-
- 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;
-
-
- 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);
- 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;
-
- classifier.train(trainningMat,label ,Mat(),Mat(),SVM_params);
-
-
- vector<Mat> testdata;
-
- 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