原文地址:http://blog.csdn.net/candyforever/article/details/8564746#comments
使用工具 :VS2010 + OpenCV 2.4.3
手写数字库:http://code.google.com/p/supplement-of-the-mnist-database-of-handwritten-digits/downloads/list
Hog +SVM 训练10K个图片数据得到分类器:HOG_SVM_DATA.xml 整个过程大概需要5分钟左右,看个人电脑配置,若想提高正确率增大训练样本!
有关批处理的命令见下一篇博客,大家共同学习!
- #include "stdafx.h"
- #include "opencv2/opencv.hpp"
- #include "windows.h"
- #include "fstream"
- using namespace std;
- using namespace cv;
- int _tmain(int argc, _TCHAR* argv[])
- {
- vector<string> img_path;//输入文件名变量
- vector<int> img_catg;
- int nLine = 0;
- string buf;
- ifstream svm_data( "D:/nums/hb.txt" );//训练样本图片的路径都写在这个txt文件中,使用bat批处理文件可以得到这个txt文件
- unsigned long n;
- while( svm_data )//将训练样本文件依次读取进来
- {
- if( getline( svm_data, buf ) )
- {
- nLine ++;
- if( nLine % 2 == 0 )//注:奇数行是图片全路径,偶数行是标签
- {
- img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型,标志(0,1,2,...,9),注意这里至少要有两个类别,否则会出错
- }
- else
- {
- img_path.push_back( buf );//图像路径
- }
- }
- }
- svm_data.close();//关闭文件
- CvMat *data_mat, *res_mat;
- int nImgNum = nLine / 2; //nImgNum是样本数量,只有文本行数的一半,另一半是标签
- data_mat = cvCreateMat( nImgNum, 324, CV_32FC1 ); //第二个参数,即矩阵的列是由下面的descriptors的大小决定的,可以由descriptors.size()得到,且对于不同大小的输入训练图片,这个值是不同的
- 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 );
- IplImage* src;
- IplImage* trainImg=cvCreateImage(cvSize(28,28),8,3);//需要分析的图片,这里默认设定图片是28*28大小,所以上面定义了324,如果要更改图片大小,可以先用debug查看一下descriptors是多少,然后设定好再运行
- //处理HOG特征
- for( string::size_type i = 0; i != img_path.size(); i++ )
- {
- src=cvLoadImage(img_path[i].c_str(),1);
- if( src == NULL )
- {
- cout<<" can not load the image: "<<img_path[i].c_str()<<endl;
- continue;
- }
- cout<<" 处理: "<<img_path[i].c_str()<<endl;
- cvResize(src,trainImg);
- HOGDescriptor *hog=new HOGDescriptor(cvSize(28,28),cvSize(14,14),cvSize(7,7),cvSize(7,7),9);
- vector<float>descriptors;//存放结果
- hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算
- cout<<"HOG dims: "<<descriptors.size()<<endl;
- n=0;
- for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
- {
- cvmSet(data_mat,i,n,*iter);//存储HOG特征
- n++;
- }
- cvmSet( res_mat, i, 0, img_catg[i] );
- cout<<" 处理完毕: "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
- }
- CvSVM svm = CvSVM();//新建一个SVM
- CvSVMParams param;//这里是SVM训练相关参数
- 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.train( data_mat, res_mat, NULL, NULL, param );//训练数据
- //保存训练好的分类器
- svm.save( "HOG_SVM_DATA.xml" );
- //检测样本
- IplImage *test;
- char result[512];
- vector<string> img_tst_path;
- ifstream img_tst( "D:/SVM_TEST.txt" ); //加载需要预测的图片集合,这个文本里存放的是图片全路径,不要标签
- while( img_tst )
- {
- if( getline( img_tst, buf ) )
- {
- img_tst_path.push_back( buf );
- }
- }
- img_tst.close();
- ofstream predict_txt( "SVM_PREDICT.txt" );//把预测结果存储在这个文本中
- for( string::size_type j = 0; j != img_tst_path.size(); j++ )//依次遍历所有的待检测图片
- {
- test = cvLoadImage( img_tst_path[j].c_str(), 1);
- if( test == NULL )
- {
- cout<<" can not load the image: "<<img_tst_path[j].c_str()<<endl;
- continue;
- }
- IplImage* trainTempImg=cvCreateImage(cvSize(28,28),8,3);
- cvZero(trainTempImg);
- cvResize(test,trainTempImg);
- HOGDescriptor *hog=new HOGDescriptor(cvSize(28,28),cvSize(14,14),cvSize(7,7),cvSize(7,7),9);
- vector<float>descriptors;//结果数组
- hog->compute(trainTempImg, descriptors,Size(1,1), Size(0,0));
- cout<<"HOG dims: "<<descriptors.size()<<endl;
- CvMat* SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1);
- int n=0;
- for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
- {
- cvmSet(SVMtrainMat,0,n,*iter);
- n++;
- }
- int ret = svm.predict(SVMtrainMat);//检测结果
- sprintf( result, "%s %d\r\n",img_tst_path[j].c_str(),ret );
- predict_txt<<result; //输出检测结果到文本
- }
- predict_txt.close();
- cvReleaseMat( &data_mat );
- cvReleaseMat( &res_mat );
- cvReleaseImage(&test);
- cvReleaseImage(&trainImg);
- return 0;
- }
训练样本hb.txt文本内容大致如下(总共20000行,批处理得到如下数据):
总共有10个标签,0到9
待预测文本内容如下(同样批处理得到):
预测结果文本内容如下:
后面的数字是预测结果,正确率还可以。
- #include "stdafx.h"
- #include "opencv2/opencv.hpp"
- #include "windows.h"
- #include "fstream"
- using namespace std;
- using namespace cv;
- int _tmain(int argc, _TCHAR* argv[])
- {
- CvSVM svm = CvSVM();
- svm.load("HOG_SVM_DATA.xml");//加载训练好的xml文件,这里训练的是10K个手写数字
- //检测样本
- IplImage *test;
- char result[300]; //存放预测结果
- test = cvLoadImage("5.bmp", 1); //待预测图片,用系统自带的画图工具随便手写
- if (!test)
- {
- MessageBox(NULL,TEXT("待预测图像不存在!"),TEXT("提示"),MB_ICONWARNING);
- return -1;
- }
- IplImage* trainTempImg=cvCreateImage(cvSize(28,28),8,3);
- cvZero(trainTempImg);
- cvResize(test,trainTempImg);
- HOGDescriptor *hog=new HOGDescriptor(cvSize(28,28),cvSize(14,14),cvSize(7,7),cvSize(7,7),9);
- vector<float>descriptors;//存放结果
- hog->compute(trainTempImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算
- cout<<"HOG dims: "<<descriptors.size()<<endl; //打印Hog特征维数 ,这里是324
- CvMat* SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1);
- int n=0;
- for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
- {
- cvmSet(SVMtrainMat,0,n,*iter);
- n++;
- }
- int ret = svm.predict(SVMtrainMat);//检测结果
- sprintf(result, "%d\r\n",ret );
- cvNamedWindow("dst",1);
- cvShowImage("dst",test);
- MessageBox(NULL,result,TEXT("预测结果"),MB_OK);
- cvReleaseImage(&test);
- cvReleaseImage(&trainTempImg);
- return 0;
- }
待预测图像:
预测结果:
__________________________________________________________________________________________________________________
另外,自己需要把这个程序嵌入到另外一个工程中去,因为那里数据类型是Mat,不是cvMat,所以我又修改了上面的程序,并且图片大小也不是固定的64*64,需要自己设置一下图片大小,因为太懒,直接把改好的程序放过来:
- #include "stdafx.h"
- #include "cv.h"
- #include "highgui.h"
- #include "stdafx.h"
- #include <ml.h>
- #include <iostream>
- #include <fstream>
- #include <string>
- #include <vector>
- using namespace cv;
- using namespace std;
- int main(int argc, char** argv)
- {
- int ImgWidht = 120;
- int ImgHeight = 120;
- vector<string> img_path;
- vector<int> img_catg;
- int nLine = 0;
- string buf;
- ifstream svm_data( "E:/apple/SVM_DATA.txt" );
- unsigned long n;
- while( svm_data )
- {
- if( getline( svm_data, buf ) )
- {
- nLine ++;
- if( nLine < 5 )
- {
- img_catg.push_back(1);
- img_path.push_back( buf );//图像路径
- }
- else
- {
- img_catg.push_back(0);
- img_path.push_back( buf );//图像路径
- }
- }
- }
- svm_data.close();//关闭文件
- Mat data_mat, res_mat;
- int nImgNum = nLine; //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 = Mat::zeros( nImgNum, 12996, CV_32FC1 );
- //类型矩阵,存储每个样本的类型标志
- res_mat = Mat::zeros( nImgNum, 1, CV_32FC1 );
- Mat src;
- Mat trainImg = Mat::zeros(ImgHeight, ImgWidht, CV_8UC3);//需要分析的图片
- for( string::size_type i = 0; i != img_path.size(); i++ )
- {
- src = imread(img_path[i].c_str(), 1);
- cout<<" processing "<<img_path[i].c_str()<<endl;
- resize(src, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC);
- HOGDescriptor *hog=new HOGDescriptor(cvSize(ImgWidht,ImgHeight),cvSize(16,16),cvSize(8,8),cvSize(8,8), 9); //具体意思见参考文章1,2
- vector<float>descriptors;//结果数组
- hog->compute(trainImg, descriptors, Size(1,1), Size(0,0)); //调用计算函数开始计算
- if (i==0)
- {
- data_mat = Mat::zeros( nImgNum, descriptors.size(), CV_32FC1 ); //根据输入图片大小进行分配空间
- }
- cout<<"HOG dims: "<<descriptors.size()<<endl;
- n=0;
- for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
- {
- data_mat.at<float>(i,n) = *iter;
- n++;
- }
- //cout<<SVMtrainMat->rows<<endl;
- res_mat.at<float>(i, 0) = img_catg[i];
- cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
- }
- 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。
- */
- //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆
- svm.train( data_mat, res_mat, Mat(), Mat(), param );
- //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆
- svm.save( "E:/apple/SVM_DATA.xml" );
- //检测样本
- vector<string> img_tst_path;
- ifstream img_tst( "E:/apple/SVM_TEST.txt" );
- while( img_tst )
- {
- if( getline( img_tst, buf ) )
- {
- img_tst_path.push_back( buf );
- }
- }
- img_tst.close();
- Mat test;
- char line[512];
- ofstream predict_txt( "E:/apple/SVM_PREDICT.txt" );
- for( string::size_type j = 0; j != img_tst_path.size(); j++ )
- {
- test = imread( img_tst_path[j].c_str(), 1);//读入图像
- resize(test, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC);//要搞成同样的大小才可以检测到
- HOGDescriptor *hog=new HOGDescriptor(cvSize(ImgWidht,ImgHeight),cvSize(16,16),cvSize(8,8),cvSize(8,8),9); //具体意思见参考文章1,2
- vector<float>descriptors;//结果数组
- hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算
- cout<<"The Detection Result:"<<endl;
- cout<<"HOG dims: "<<descriptors.size()<<endl;
- Mat SVMtrainMat = Mat::zeros(1,descriptors.size(),CV_32FC1);
- n=0;
- for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
- {
- SVMtrainMat.at<float>(0,n) = *iter;
- n++;
- }
- int ret = svm.predict(SVMtrainMat);
- std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret );
- printf("%s %d\r\n", img_tst_path[j].c_str(), ret);
- getchar();
- predict_txt<<line;
- }
- predict_txt.close();
- return 0;
- }
如果运行的时候出现Link错误,有可能是没有附加依赖项,要添加opencv_objdetect230d.lib,我的OpenCV是2.3版本,所以这里是230.