使用opencv的SVM实现车牌区域识别

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：

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：

[cpp]  view plain  copy

 print ?

1. #include "opencv2/core/core.hpp"  
2. #include "opencv2/highgui/highgui.hpp"  
3. #include "opencv2/ml/ml.hpp"  
4.   
5. using namespace cv;  
6.   
7. #include <iostream>  
8.   
9. int main()  
10. {  
11.     int num = 1;  
12.     char path[90];  
13.   
14.     Mat trainningMat; //行数为样本数170，每个样本含144*33=4752个数，也即有4752列  
15.     Mat inputImg;  
16.     Mat p;  
17.   
18.     //先加载100个正样本  
19.     while(num < 101)  
20.     {  
21.         sprintf( path ,"F:\\SVM_data\\posdata\\0000 (%d).bmp" , num);  
22.         inputImg = imread(path,-1);  
23.         if (inputImg.empty())  
24.         {  
25.             std::cerr<<"无法加载正样本！";  
26.             return -1;  
27.         }  
28.         p = inputImg.reshape(1,1);  
29.         p.convertTo(p, CV_32FC1);  
30.         trainningMat.push_back(p);  
31.         num++;  
32.     }  
33.     num = 1;  
34.   
35.     //再加载70个负样本  
36.     while(num < 71)  
37.     {  
38.         sprintf( path ,"F:\\SVM_data\\negdata\\0000 (%d).bmp" , num);  
39.         inputImg = imread(path,-1);  
40.         if (inputImg.empty())  
41.         {  
42.             std::cerr<<"无法加载负样本！";  
43.             return -1;  
44.         }  
45.         p = inputImg.reshape(1,1);  
46.         p.convertTo(p, CV_32FC1);  
47.         trainningMat.push_back(p);  
48.         num++;  
49.     }  
50.   
51.     Mat label(170,1,CV_32FC1);   //与训练数据相应的标签,当然在txt中写数据再读出来也可以  
52.     for (int i = 0 ;i<label.rows ;++ i)  
53.     {  
54.         if( i < 100)  
55.             label.at<float>(i,0) =  1.0;  
56.         else  
57.             label.at<float>(i,0) =  -1.0;  
58.     }  
59.   
60.     CvSVM classifier;  
61.     CvSVMParams SVM_params;  
62.     SVM_params.kernel_type = CvSVM::LINEAR; //使用线性划分  
63.   
64.     classifier.train(trainningMat,label ,Mat(),Mat(),SVM_params); //SVM训练  
65.   
66.   
67.     vector<Mat> testdata; //定义测试数据  
68.   
69.     num = 1;  
70.     while(num < 4)  
71.     {  
72.         sprintf( path ,"F:\\SVM_data\\testdata\\postest%d.bmp" , num);  
73.         inputImg = imread(path,-1);  
74.         if (inputImg.empty())  
75.         {  
76.             std::cerr<<"无法加载正测试样本！";  
77.             return -1;  
78.         }  
79.         p = inputImg.reshape(1,1);  
80.         p.convertTo(p, CV_32FC1);  
81.         testdata.push_back(p);  
82.         num++ ;  
83.     }  
84.   
85.     num = 1;  
86.     while(num < 4)  
87.     {  
88.         sprintf( path ,"F:\\SVM_data\\testdata\\negtest%d.bmp" , num);  
89.         inputImg = imread(path,-1);  
90.         if (inputImg.empty())  
91.         {  
92.             std::cerr<<"无法加载负测试样本！";  
93.             return -1;  
94.         }  
95.         p = inputImg.reshape(1,1);  
96.         p.convertTo(p, CV_32FC1);  
97.         testdata.push_back(p);  
98.         num++ ;  
99.     }  
100.   
101.     for (int i = 0;i < testdata.size() ; ++i)  
102.     {  
103.         std::cout<<"测试样本"<<i+1<<"的测试结果为："  
104.             <<(int)classifier.predict( testdata[i] )<<"\n";  
105.     }  
106.   
107.     return  0;  
108. }  

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