关于SVM的原理有很多优秀的视频和资料,这里我主要说下利用SVM对数字识别的具体应用
首先,需要有数字的训练样本
https://download.csdn.net/download/weixin_41721222/10784418
把0-9文件夹放入模版匹配样本之中,自己可修改。
核心思路:
1:获取一张训练图片后会将图片特征写入到容器中,紧接着会将标签写入另一个容器中,这样就保证了特征和标签是一一对应的关系。
2:特征可用LBP,HOG等提取,但是我们这里主要说SVM训练过程,所以用最简单的方法,即把训练图片的全部像素序列成一行像素作为特征,用reshape(1,1)。
3:图片特征数据得转换成CV_32FC1的数据格式。
下面代码是opencv3和C++
可以根据自己需要修改训练样本类别,数目,尺寸。oss的训练样本路径,src的检测图片路径。
#include <stdio.h>
#include <time.h>
#include <opencv2/opencv.hpp>
#include <opencv/cv.h>
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
#include <io.h> //查找文件相关函数
using namespace std;
using namespace cv;
using namespace ml;
ostringstream oss;
int num = -1;
Mat dealimage;
Mat src;
Mat yangben_gray;
Mat yangben_thresh;
int main()
{
//核心思路://获取一张图片后会将图片特征写入到容器中,
//紧接着会将标签写入另一个容器中,这样就保证了特征
// 和标签是一一对应的关系。
===============================读取训练数据===============================
const int classsum = 10;//图片共有10类,可修改
const int imagesSum = 500;//每类有张图片,可修改
//训了样本图片与测试图片的尺寸应该一样
const int imageRows = 20;//图片尺寸
const int imageCols = 20;
//训练数据,每一行一个训练图片
Mat trainingData;
//训练样本标签
Mat labels;
//最终的训练样本标签
Mat clas;
//最终的训练数据
Mat traindata;
//从指定文件夹下提取图片//
for (int p = 0; p < classsum; p++)//依次提取0到9文件夹中的图片
{
oss << "C:/Users/zhang/Desktop/opencv——实例/小案例/车牌检测/基于adaboost机器学习/模版匹配样本/";
num += 1;//num从0到9
int label = num;
oss << num << "/*.jpg";//图片名字后缀,oss可以结合数字与字符串
string pattern = oss.str();//oss.str()输出oss字符串,并且赋给pattern
oss.str("");//每次循环后把oss字符串清空
vector<Mat> input_images;
vector<String> input_images_name;
glob(pattern, input_images_name, false);
//为false时,仅仅遍历指定文件夹内符合模式的文件,当为true时,会同时遍历指定文件夹的子文件夹
//此时input_images_name存放符合条件的图片地址
int all_num = input_images_name.size();
//文件下总共有几个图片
//cout << num << ":总共有" << all_num << "个图片待测试" << endl;
for (int i = 0; i < imagesSum; i++)//依次循环遍历每个文件夹中的图片
{
cvtColor(imread(input_images_name[i]), yangben_gray, COLOR_BGR2GRAY);//灰度变换
threshold(yangben_gray, yangben_thresh, 0, 255, THRESH_OTSU);//二值化
//循环读取每张图片并且依次放在vector<Mat> input_images内
input_images.push_back(yangben_thresh);
dealimage = input_images[i];
//注意:我们简单粗暴将整个图的所有像素作为了特征,因为我们关注更多的是整个的训练过程
//,所以选择了最简单的方式完成特征提取工作,除此中外,
//特征提取的方式有很多,比如LBP,HOG等等
//我们利用reshape()函数完成特征提取,
//eshape(1, 1)的结果就是原图像对应的矩阵将被拉伸成一个一行的向量,作为特征向量。
dealimage = dealimage.reshape(1, 1);//图片序列化
trainingData.push_back(dealimage);//序列化后的图片依次存入
labels.push_back(label);//把每个图片对应的标签依次存入
}
}
//图片数据和标签转变下
Mat(trainingData).copyTo(traindata);//复制
traindata.convertTo(traindata, CV_32FC1);//更改图片数据的类型,必要,不然会出错
Mat(labels).copyTo(clas);//复制
===============================创建SVM模型===============================
// 创建分类器并设置参数
Ptr<SVM> SVM_params = SVM::create();
SVM_params->setType(SVM::C_SVC);//C_SVC用于分类,C_SVR用于回归
SVM_params->setKernel(SVM::LINEAR); //LINEAR线性核函数。SIGMOID为高斯核函数
SVM_params->setDegree(0);//核函数中的参数degree,针对多项式核函数;
SVM_params->setGamma(1);//核函数中的参数gamma,针对多项式/RBF/SIGMOID核函数;
SVM_params->setCoef0(0);//核函数中的参数,针对多项式/SIGMOID核函数;
SVM_params->setC(1);//SVM最优问题参数,设置C-SVC,EPS_SVR和NU_SVR的参数;
SVM_params->setNu(0);//SVM最优问题参数,设置NU_SVC, ONE_CLASS 和NU_SVR的参数;
SVM_params->setP(0);//SVM最优问题参数,设置EPS_SVR 中损失函数p的值.
//结束条件,即训练1000次或者误差小于0.01结束
SVM_params->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, 0.01));
//训练数据和标签的结合
Ptr<TrainData> tData = TrainData::create(traindata, ROW_SAMPLE, clas);
// 训练分类器
SVM_params->train(tData);//训练
//保存模型
//SVM_params->save("C:/Users/zhang/Desktop/opencv——实例/小案例/车牌检测/基于adaboost机器学习/字符识别svm.xml");
cout << "训练好了!!!" << endl;
===============================预测部分===============================
Mat src = imread("C:/Users/zhang/Desktop/opencv——实例/小案例/车牌检测/基于adaboost机器学习/检测到的车牌字符/7.jpg");
cvtColor(src, src, COLOR_BGR2GRAY);
threshold(src, src, 0, 255, CV_THRESH_OTSU);
imshow("原图像", src);
Mat input;
src = src.reshape(1, 1);//输入图片序列化
input.push_back(src);
input.convertTo(input, CV_32FC1);//更改图片数据的类型,必要,不然会出错
float r = SVM_params->predict(input); //对所有行进行预测
cout << r << endl;
waitKey(0);
return 0;
}
识别结果: