OpenCV人工智能图像处理学习笔记第6章计算机视觉加强之机器学习中 SVM和HOG特征

本文链接：https://blog.csdn.net/moonlightpeng/article/details/110850592

6-10 SVM支持向量机1

# 1 思想 分类器 
# 2 如何？ 寻求一个最优的超平面 分类
# 3 核：line
# 4 数据：样本 
# 5 训练  SVM_create  train predict
# svm本质 寻求一个最优的超平面 分类
# svm 核: line
# 身高体重 训练 预测 
import cv2
import numpy as np
import matplotlib.pyplot as plt
#1 准备data
rand1 = np.array([[155,48],[159,50],[164,53],[168,56],[172,60]])
rand2 = np.array([[152,53],[156,55],[160,56],[172,64],[176,65]])

# 2 label
label = np.array([[0],[0],[0],[0],[0],[1],[1],[1],[1],[1]])

# 3 data
data = np.vstack((rand1,rand2))
data = np.array(data,dtype='float32')

# svm 所有的数据都要有label
# [155,48] -- 0 女生 [152,53] ---1  男生
# 监督学习 0 负样本 1 正样本

# 4 训练
svm = cv2.ml.SVM_create() # ml  机器学习模块 SVM_create() 创建
# 属性设置
svm.setType(cv2.ml.SVM_C_SVC) # svm type
svm.setKernel(cv2.ml.SVM_LINEAR) # line
svm.setC(0.01)
# 训练
result = svm.train(data,cv2.ml.ROW_SAMPLE,label)
# 预测
pt_data = np.vstack([[167,55],[162,57]]) #0 女生 1男生
pt_data = np.array(pt_data,dtype='float32')
print(pt_data)
(par1,par2) = svm.predict(pt_data)
print(par2)

6-13 Hog特征1

win大小可以任意

行人检测，车牌检测 64*128官方推荐

win是block的整数倍

cell不能滑动

#1 什么是hog》？特征某个像素某种运算
#2 2·1 模块划分 2·2 梯度方向模版 2·3 bin 投影 2·4 每个模块hog
#2·1 模块划分
# image（ppt） win（蓝色） block（红色） cell （绿色）（size）
#image》win〉block》cell
#block setp win step cell bin
#win 特征计算最顶层单元 -》obj
# 1 win size 50*100 20*50 64*128
# 2 2.1 block 《win 2.2 win size w h / block （wh） 16*16
# 3 block step 如何win下滑动 8*8
# 4 计算block cout = （（64-16）/8+1）*（（128-16）/8+1）= 105 block
# 5 cell size 8*8
# 6 block = ？cell 16*16 = 2*2 = 》4cell cell1-cell4
# 7 bin？

#7 cell bin 梯度：运算
# 每个像素-》梯度：大小 f 方向 angle
# 0-360 /40 = 9块 = 9bin
# 1bin = 40 cell-》360-〉9bin
# hog特征维度：
# haar 值 hog 向量（维度）-》完全描述一个obj info all
# 维度 = 105*4*9=3780

#2·2 梯度方向模版
# 像素都有一个梯度》hog== win
# 特征模版-》haar类似
# 【1 0 -1】【【1】【0】【-1】】
# a = p1*1+p2*0+p3*(-1) = 相邻像素之差
# b = 上下像素之差
# f = 根号下（a方+b方）
# angle = arctan（a/b）

一维的计算

#整体hog cell复用
# 3780
# 3780 《-win（block cell bin）
# 1《-bin
# cell0 cell3 bin0-bin8
# cell0: bin0 bin1 。。。bin8
# cell1: bin0 bin1 。。。bin8
# cell2: bin0 bin1 。。。bin8
# cell3: bin0 bin1 。。。bin8
#ij cell0 bin0=《f0，
#i+1 j cell0 bin0 = f1
#ij。。。。
# sumbin0（f0+f1.。）= bin0
# 权重累加
#ij bin0 bin1

# cell复用

# block 4个cell
# 【0】【】【】【3】
# cell0 bin0-bin9
# cellx0 cellx2 cellx4
# cellx0:ij-》bin bin+1
# cellx2：ij -》 cell2 cell3 -》bin bin+1 bin bin+1
# cellx4：ij

# 【cell 9】【4cell】【105】 = 3780