4. OpenCV svm模型

SVM概览

http://blog.csdn.net/liukun321/article/details/41574617

简单来说，SVM就是用于区分不同的类型(车牌、非车牌)。SVM的训练数据既有特征又有标签，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。属于机器学习中的监督学习。

核函数： 用于将不同类型进行提维（需要一点空间想象力）

svm线性可分：

svm线性不可分：

SVM训练流程：

预处理 （原始数据->学习数据(无标签）

预处理步骤主要处理的是原始数据到学习数据的转换过程。（真正的车牌图片和不是车牌的图片）

打标签 （学习数据(无标签)->学习数据(带标签)）

将未贴标签的数据转化为贴过标签的学习数据。

分组（学习数据(带标签)->分组数据）

将数据分为训练集和测试集

训练（训练数据->模型）

加载待训练的车牌数据和非车牌数据，合并数据，配置SVM模型的训练参数进行训练。

HOG特征（Histogram of Oriented Gradient）

局部归一化的梯度方向直方图，是一种对图像局部重叠区域的密集型描述符, 它通过计算局部区域的梯度方向直方图来构成特征。

参数1(检测窗口)的宽- 参数2(块大小)的宽 结果与参数3(块滑动增量)的余数要为0 高也一样

参数4是胞元大小,参数5是梯度方向

HOGDescriptor hog(Size(128, 64), Size(16, 16), Size(8, 8), Size(8, 8), 3);

检测窗口被分为：((128-16)/8+1)*((64-16)/8+1)=105个块(Block);

一个Block有4个胞元(Cell);

一个Cell的Hog描述子向量的长度是9;

统计梯度直方图特征,就是将梯度方向（0-360）划分为x个区间，将图像化为16x16的若干个窗口，每个窗口又划分为x个block,每个block再化为4个cell（8x8）。对每一个cell,算出每一像素点的梯度方向，按梯度方向增加对应bin的值，最终综合N个cell的梯度直方图组成特征。

简单来说，车牌的边缘与内部文字组成的一组信息(在边缘和角点的梯度值是很大的，边缘和角点包含了很多物体的形状信息)，HOG就是抽取这些信息组成一个直方图。

HOG : 梯度方向弱化光照的影响，适合捕获轮廓。

LBP : 中心像素的LBP值反映了该像素周围区域的纹理信息。

目的

通过之前的了解，我们找到了一些车牌的图片。
通过svm，找到最可能是车牌的图片。

svm = SVM::load(svm_model);
svmHog = new HOGDescriptor(Size(128, 64), Size(16, 16), Size(8, 8), Size(8, 8), 3);

int SvmPredict::doPredict(vector<Mat> candi_plates, Mat& final_plate)
{
	//遍历判断
	Mat plate;
	float score;
	int index = -1;
	float minScore = FLT_MAX;
	for (int i = 0; i < candi_plates.size(); i++)
	{
		plate = candi_plates[i];
		//获取车牌图片的特征：HOG 
		//预处理
		Mat gray;
		cvtColor(plate, gray, COLOR_BGR2GRAY);
		//二值化
		Mat shold;
		//THRESH_OTSU 大律法 自适应阈值
		//THRESH_BINARY 正二值化
		//THRESH_BINARY_INV 反二值化
		threshold(gray, shold, 0, 255, THRESH_OTSU + THRESH_BINARY);

		Mat features;
		getHogFeatures(svmHog, shold, features);

		Mat sample = features.reshape(1, 1);
		score = svm->predict(sample, noArray(), StatModel::Flags::RAW_OUTPUT);
		printf("svm候选车牌%d评分是：%f\n", i, score);
		//score越小越可能是车牌
		if (score < minScore) {
			minScore = score;
			index = i;
		}
		gray.release();
		shold.release();
		features.release();
		sample.release();
	}
	if (index >= 0) {
		final_plate = candi_plates[index].clone();
		imshow("svm评测最终车牌", final_plate);
	}


	return index;
}

void SvmPredict::getHogFeatures(HOGDescriptor* hog, Mat src, Mat& dst) {
	//归一化处理
	Mat trainImg = Mat(hog->winSize, CV_32S);
	resize(src, trainImg, hog->winSize);

	//计算特征
	vector<float> desc;
	hog->compute(trainImg, desc, hog->winSize);

	Mat feature(desc);

	feature.copyTo(dst);

	feature.release();
	trainImg.release();

}