opencv-svm之利用hog提取训练样本特征

首先我们需要正负样本两种数据 svm虽然支持少量数据的分类，但原则上数据更多效果更佳
这里面我们采用正样本232张 负样本555张。推荐负样本是正样本的2-3倍。这里我们做的是对老鼠特征的识别，正样本都是包含老鼠的 ，负样本不能包含老鼠。然后所有训练样本的大小尺寸要缩成一致。把winsize，blocksize，blockstride，cell，winstride越小计算的当然越仔细。只是这样会大量冗余的计算，造成计算时间过长，影响实际效率。
在参数方面的选择 可分为线性可分，线性不可分，非线性可分 其中对应不同的核函数
主要是利用交叉正则和穷举求出参数c和g来达到效果的最优，其中本文用的是线性可分方法。svm参数的设置诸君可以自己尝试修改，毕竟不同的样本有不同的方案。

#include <iostream>
#include <fstream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/objdetect/objdetect.hpp>
#include <opencv2/ml/ml.hpp>

using namespace std;
using namespace cv;
using namespace cv::ml;
#define plus 232
#define minus  555
void hogsvm(HOGDescriptor &hog)
{
	ifstream pluspath("data\\plus-data\\plus-data.txt");//正样本路径
	ifstream minuspath("data\\minus-data\\minus-data.txt");//负样本路径
	string name;//txt中每一行图片的名字 注意一定要是绝对路径
	int descriptordim;//特征向量的维数
	Mat samplefeaturemat;//所以训练样本的特征向量矩阵 行数为样本数，列数为hog特征向量
	Mat samplelabel;//样本标签 1,-1
	cout << "开始计算" << endl;
	for (int num = 0; num < plus&&getline(pluspath, name); num++)//遍历正样本txt 
	{
		Mat temple = imread(name);//用来代表正样本种的每一个图片
		vector<float> descriptor;//样本的特征向量
		hog.compute(temple, descriptor, Size(1, 1));//计算特征向量
		descriptordim = descriptor.size();//向量的维数
		if (num == 0)
		{
			samplefeaturemat = Mat::zeros(plus+minus, descriptordim, CV_32FC1);//初始化所有正样本特征向量组成的矩阵

			samplelabel = Mat::zeros(plus+minus, 1, CV_32SC1);//初始化所有正样本的标签为1
		}
		for (int i = 0; i < descriptordim; i++)
		{
			samplefeaturemat.at<float>(num, i) = descriptor[i];//每个正特征向量都存进去
		}
		samplelabel.at<int>(num, 0) = 1;//正样本矩阵都为1


	}
	cout << "正样本计算完毕" << endl;
	for (int num = 0; num < minus&&getline(minuspath, name); num++)//遍历负样本txt 
	{
		Mat temple = imread(name);//用来代表负样本种的每一个图片
		vector<float> descriptor;//样本的特征向量
		hog.compute(temple, descriptor, Size(1,1));//计算特征向量
		descriptordim = descriptor.size();//向量的维数
		for (int i = 0; i < descriptordim; i++)
		{
			samplefeaturemat.at<float>(num + plus, i) = descriptor[i];//每个负特征向量相加得到总的负特征向量
		}
		samplelabel.at<int>(num + plus, 0) = -1;//负样本矩阵为-1
	}
	cout << "负样本计算完毕" << endl;
	cout << endl << "开始训练分类" << endl;
	Ptr<SVM> svm = SVM::create();//创建一个svm
	svm->setType(SVM::C_SVC);//svm分类器的类型 有5种选择
	svm->setKernel(SVM::RBF); //svm的核函数选择 有4种选择	
	svm->setGamma(0.5);//gamma是rbf核函数的参数，决定支持向量的个数，越小，支持向量越多，反之越少
	svm->train(samplefeaturemat, ROW_SAMPLE, samplelabel);
	svm->save("mouse.xml");
	cout << "训练成功" << endl;
}
int main()
{
	HOGDescriptor hog(Size(64, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9);
	hogsvm(hog);
	return 0;
}

我们可以看到其实就是特征向组成的矩阵