SVM训练样本方法总结（用于目标识别）

SVM样本训练步骤

尊重原创，转载本文请说明出处：http://blog.csdn.net/xw20084898/article/details/21389885

1、引言

近期在做飞形体目标识别的研究，需要做SVM训练来生成识别的分类器。从网上找了大量的参考文章，但是发现很多文章都讲的比较零散。鉴于此原因，本文对SVM训练过程做一个较为系统的总结，希望对广大初学者有所帮助。

2、步骤

（1）生成SVM描述文件；

将需要训练的样本文件的路径和对应的分类类别号写入txt文档，如：

plane/飞机训练正样本Normalize/0.jpg
1
plane/飞机训练正样本Normalize/1.jpg            命名为：SVM_DATA.txt

1

（2）将描述文件读入容器中；

定义两个容器，用于保存样本路径和分类标号，如：

  vector<string> img_path;  
         vector<int> img_catg;  

读入数据：

         int nLine = 0;  
   string buf;  
   ifstream svm_data( "SVM_DATA.txt" ); 

 while( svm_data )  
	    {  
			if( getline( svm_data, buf) ) 
		/*原型
　　istream& getline ( istream &is , string &str , char delim ); 　　istream& getline ( istream& , string& );
参数  is 进行读入操作的输入流 　　str 存储读入的内容 　　delim 终结符    返回值 与参数is是一样的
功能  将输入流is中读到的字符存入str中，直到遇到终结符delim才结束。
  对于第一个函数delim是可以由用户自己定义的终结符；对于第二个函数delim默认为 '\n'（换行符）。 　　
  函数在输入流is中遇到文件结束符（EOF）或者在读入字符的过程中遇到错误都会结束。 　　
  在遇到终结符delim后，delim会被丢弃，不存入str中。在下次读入操作时，将在delim的下个字符开始读入。*/ 
	        {  
            nLine ++;  
            if( nLine % 2 == 0 )  
	            {  
	                 img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，值为0或1  用0,1区分正负样本
					 //功 能： 把字符串转换成整型数。 　　名字来源：array to integer 的缩写。 　　
					 //原型： int atoi(const char *nptr); 　　
//函数说明: 参数nptr字符串，如果第一个非空格字符不存在或者不是数字也不是正负号则返回零，否则开始做类型转换，
//之后检测到非数字(包括结束符 \0) 字符时停止转换，返回整型数。 
					// 函数声明：const char *c_str(); 　　c_str()函数返回一个指向正规C字符串的指针, 内容与本string串相同. 
            }  
            else  
	            {  
                img_path.push_back( buf );//图像路径   
	            }  
	        }  
	    }  
	    svm_data.close();//关闭文件   

（3）读入样本数量，生成样本矩阵和类型矩阵

CvMat *data_mat, *res_mat;  
	    int nImgNum = nLine / 2;            //读入样本数量   
    样本矩阵，nImgNum：横坐标是样本数量， WIDTH * HEIGHT：样本特征向量，即图像大小   
	    data_mat = cvCreateMat( nImgNum, 144, CV_32FC1 );  
	    cvSetZero( data_mat );  
	    //类型矩阵,存储每个样本的类型标志   
	    res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );  
	    cvSetZero( res_mat );  

（4）读入样本图像

 IplImage* src;  
	    IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3);//需要分析的图片
		
  
	    for( string::size_type z = 0; z != img_path.size(); z++ )    //整体循环为z
	    {  
            src=cvLoadImage(img_path[z].c_str(),1); 
			// 函数声明：const char *c_str();c_str()函数返回一个指向正规C字符串的指针, 内容与本string串相同.  
	            if( src == NULL )  
	            {  
	                cout<<" can not load the image: "<<img_path[z].c_str()<<endl;  
                continue;  
	            }  
	  
	            cout<<" processing "<<img_path[z].c_str()<<endl;  

（5）提取HOG特征

 //以下为提取Hog特征
			   cvResize(src,trainImg);   //读取图片，归一化大小      
               HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(16,16),cvSize(16,16),9);  

	            vector<float>descriptors;//结果数组      
	            hog->compute(trainImg, descriptors,Size(8,8), Size(0,0)); //调用计算函数开始计算      
	            cout<<"HOG dims: "<<descriptors.size()<<endl;  
	            //CvMat* SVMtrainMat=cvCreateMat(descriptors.size(),1,CV_32FC1);   
	            n=0;  
	            for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)    //迭代器
	            {  
                cvmSet(data_mat,z,n,*iter);   //将HOG特征 存入data_mat矩阵中
x=cvmGet(data_mat,z,n);
cout<<"hog"<<x<<endl;
	                n++;  
	            }

（6）将HOG特征写入txt文件

FILE *fp1;
	int i,j;
	if((fp1=fopen("Hog.txt","ab"))==NULL)// 读写打开一个二进制文件，允许读或在文件末追加数据。
	{
		printf("can not open the hu file\n");
		exit(0);//正常退出程序
	}
	for (i = 0; i <144; ++i)	
	{
		fprintf(fp1,"%lf ",descriptors[i]); 
	}
		//fprintf(fp1,"\r\n");
	fclose(fp1);

			    cvmSet( res_mat, z, 0, img_catg[z] );   //将正负样本标记存入矩阵res_mat中
	            cout<<" end processing "<<img_path[z].c_str()<<" "<<img_catg[z]<<endl;  
    }  

（7）进行SVM训练

 CvSVM svm = CvSVM();    
	    CvSVMParams param;    
	    CvTermCriteria criteria;    
        criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );    
	    param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );    
	/*    
	    SVM种类：CvSVM::C_SVC    
	    Kernel的种类：CvSVM::RBF    
	    degree：10.0（此次不使用）    
	    gamma：8.0    
    coef0：1.0（此次不使用）    
	    C：10.0    
	    nu：0.5（此次不使用）    
    p：0.1（此次不使用）    
    然后对训练数据正规化处理，并放在CvMat型的数组里。    
	                                                        */       
	    //SVM学习        
	    svm.train( data_mat, res_mat, NULL, NULL, param );    
	    //利用训练数据和确定的学习参数,进行SVM学习      
	    svm.save( "SVM_DATA1.xml" );   

		cvReleaseImage(&src);
		cvReleaseMat( &data_mat ); 
	    cvReleaseMat( &res_mat );  
		 return 0;

在以上训练过程中，要特别注意的是在创建样本矩阵的时候，其矩阵大小由样本数量和样本提取的特征维数决定的。比如上面创建的样本矩阵大小为：

 int nImgNum = nLine / 2; 行，144列；  144是由提取HOG特征时，由窗口大小、块大小、胞元大小和每个抱怨大小中的特征数共同决定的。