OpenCV17：使用Hog + SVM做小狮子识别

在【OpenCV16：Hog特征】中已经详细描述了Hog特征，这次加上SVM做一个小小的识别。

实现步骤如下：1、准备数据集    2、对样本进行Hog特征的训练    3、预测

1、准备数据集

一个好的样本，远胜过一个复杂的神经网络。

我们将数据集分为两个文件夹neg（1931张图，大小64*128）和pos（820张，大小64*128）。

pos文件夹里存放的是正样本，所有图片都包含小狮子。

neg文件夹里存放的是负样本，所有图片都不能包含小狮子。

pos文件夹的部分图片

neg文件夹的部分图片

 

正样本尽可能多样化：如环境、角度、干扰等。

2、对样本进行Hog特征的训练  3、预测

定义的Hog特征在【OpenCV16：Hog特征】中有介绍，使用的推荐大小。

首先，要训练SVM 是监督学习，学习的是图中的Hog特征，所以要使用计算好的Hog特征对正负样本进行标签的设置。代码如下：

# 5、设置正负样本标签
for i in range(PosNum):
    fileName = 'pos\\' + str(i+1) + '.jpg'
    img = cv2.imread(fileName)
    hist = hog.compute(img, (8,8))    # 计算hog特征
    # 将正样本中的 Hog特征装到featureArray中
    for j in range(featureNum):    # Hog特征维度，在下面的全部代码中有定义
        featureArray[i,j] = hist[j]    # featureArray中的每一行代表一个3780维的 Hog特征
    labelArray[i,0] = 1     # 正样本标签设置为 1
# 处理负样本
for i in range(NegNum):
    fileName = 'neg\\' + str(i+1) + '.jpg'
    img = cv2.imread(fileName)
    hist = hog.compute(img, (8,8))    # 计算hog特征
    for j in range(featureNum):
        featureArray[i+PosNum, j] = hist[j]
    labelArray[i+PosNum, 0] = -1    # 正样本标签设置为 -1

然后设置SVM的属性，并加以训练：

# 设置svm的属性
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setC(0.01)
# 6、训练
ret = svm.train(featureArray, cv2.ml.ROW_SAMPLE, labelArray)

在检测时，需要创建一个myHog，其核心是myDetect。所以要得到这个myDetect，myDetect是一个数组，数据由resultArray和经过SVM训练得到的rho组成。得到detect后调用detectMutiScale（）方法预测，这个方法可以返回目标的宽高信息，从而实现绘制。全部代码如下：

# 整个过程分为7步：1、Hog参数设置    2、创建Hog    3、svm参数设置与创建    4、计算Hog    5、label    6、训练    7、预测
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 1、设置 Hog参数，定义3780维的Hog特征
PosNum = 820    # 正样本的数量
NegNum = 1931
winSize = (64,128)    # win的大小
blockSize = (16,16)    # block的大小
blockStep = (8,8)
cellSize = (8,8)
binNum = 9

# 2、创建Hog
hog = cv2.HOGDescriptor(winSize,blockSize,blockStep,cellSize,binNum)
# 3、创建svm
svm = cv2.ml.SVM_create()

# 4、计算Hog
featureNum = int(((128-16)/8+1) * ((64-16)/8+1) * 4 * 9)    # 3780维的特征数，计算的是bin的数量，数字为推荐尺寸
featureArray = np.zeros(((PosNum + NegNum),featureNum),np.float32)   # 装载特征的数组 全样本数行 * 特征维数(3780)列
labelArray = np.zeros(((PosNum + NegNum), 1), np.int32)   # 装载标签的数组,   注意！！！！如果labelArray报错，那么你应该写成了np.float32

# svm 是监督学习，学习的是图中的Hog特征
# 5、设置正负样本标签
for i in range(PosNum):
    fileName = 'pos\\' + str(i+1) + '.jpg'
    img = cv2.imread(fileName)
    hist = hog.compute(img, (8,8))    # 计算hog特征
    # 将正样本中的 Hog特征装到featureArray中
    for j in range(featureNum):
        featureArray[i,j] = hist[j]    # featureArray中的每一行代表一个3780维的 Hog特征
    labelArray[i,0] = 1     # 正样本标签设置为 1
# 处理负样本
for i in range(NegNum):
    fileName = 'neg\\' + str(i+1) + '.jpg'
    img = cv2.imread(fileName)
    hist = hog.compute(img, (8,8))    # 计算hog特征
    for j in range(featureNum):
        featureArray[i+PosNum, j] = hist[j]
    labelArray[i+PosNum, 0] = -1    # 正样本标签设置为 -1

# 设置svm的属性
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setC(0.01)
# 6、训练
ret = svm.train(featureArray, cv2.ml.ROW_SAMPLE, labelArray)
print(ret)

# 7、预测
alpha = np.zeros((1), np.float32)   # 一维数组
rho = svm.getDecisionFunction(0,alpha)    # 在SVM的判决中需要用到 rho
print(rho)
print(alpha)
alphaArray = np.zeros((1,1), np.float32)    # 视为参数
supportVArray = np.zeros((1, featureNum), np.float32)     # 支持向量机的维度
resultArray = np.zeros((1, featureNum), np.float32)    
alphaArray[0,0] = alpha
resultArray = -1 * alphaArray * supportVArray    
print(resultArray)

# 创建 myDetect是为了创建 Hog，detect是其核心
myDetect = np.zeros((3781), np.float32)
for i in range(3780):
    myDetect[i] = resultArray[0, i]
myDetect[3780] = rho[0]
# 构建 Hog
myHog = cv2.HOGDescriptor()
myHog.setSVMDetector(myDetect)    # 把当前myDtector属性传入Hog
imgSrc = cv2.imread('OpenCV\\Test2.jpg', 1)    # 读取检测图
# （8，8）win步长   （32，32）win尺寸   1.05缩放系数    2最小像素范围
objs = myHog.detectMultiScale(imgSrc, 0, (8,8), (32,32), 1.05, 2)    # 三维信息
# 起始坐标，和宽度高度放在了objs的最后一维
x = int(objs[0][0][0])
y = int(objs[0][0][1])
w = int(objs[0][0][2])
h = int(objs[0][0][3])

# 绘制展示
cv2.rectangle(imgSrc,(x,y),(x+w,y+h),(255,0,0),2)
cv2.imshow('dst',imgSrc)
cv2.waitKey(0)
cv2.destroyAllWindows()