OpenCV Hog+SVM 学习

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！

[cpp]  view plain  copy

1. #include "stdafx.h"  
2. #include "opencv2/opencv.hpp"  
3. #include "windows.h"  
4. #include "fstream"  
5. using namespace std;  
6. using namespace cv;  
7. int _tmain(int argc, _TCHAR* argv[])  
8. {  
9.     vector<string> img_path;//输入文件名变量     
10.     vector<int> img_catg;      
11.     int nLine = 0;      
12.     string buf;      
13.     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       
14.     unsigned long n;       
15.     while( svm_data )//将训练样本文件依次读取进来      
16.     {      
17.         if( getline( svm_data, buf ) )      
18.         {      
19.             nLine ++;      
20.             if( nLine % 2 == 0 )//注：奇数行是图片全路径，偶数行是标签   
21.             {      
22.                  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      
23.             }      
24.             else      
25.             {      
26.                 img_path.push_back( buf );//图像路径      
27.             }      
28.         }      
29.     }      
30.     svm_data.close();//关闭文件      
31.     CvMat *data_mat, *res_mat;      
32.     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       
33.     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    
34.     cvSetZero( data_mat );      
35.     //类型矩阵,存储每个样本的类型标志      
36.     res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );      
37.     cvSetZero( res_mat );      
38.     IplImage* src;      
39.     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      
40.       
41.     //处理HOG特征    
42.     for( string::size_type i = 0; i != img_path.size(); i++ )      
43.     {      
44.             src=cvLoadImage(img_path[i].c_str(),1);      
45.             if( src == NULL )      
46.             {      
47.                 cout<<" can not load the image: "<<img_path[i].c_str()<<endl;      
48.                 continue;      
49.             }      
50.       
51.             cout<<" 处理： "<<img_path[i].c_str()<<endl;      
52.                      
53.             cvResize(src,trainImg);       
54.             HOGDescriptor *hog=new HOGDescriptor(cvSize(28,28),cvSize(14,14),cvSize(7,7),cvSize(7,7),9);        
55.             vector<float>descriptors;//存放结果       
56.             hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算        
57.             cout<<"HOG dims: "<<descriptors.size()<<endl;          
58.             n=0;      
59.             for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)      
60.             {      
61.                 cvmSet(data_mat,i,n,*iter);//存储HOG特征   
62.                 n++;      
63.             }         
64.             cvmSet( res_mat, i, 0, img_catg[i] );      
65.             cout<<" 处理完毕: "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;      
66.     }      
67.           
68.                    
69.     CvSVM svm = CvSVM();//新建一个SVM        
70.     CvSVMParams param;//这里是SVM训练相关参数    
71.     CvTermCriteria criteria;        
72.     criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );        
73.     param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );            
74.       
75.     svm.train( data_mat, res_mat, NULL, NULL, param );//训练数据       
76.     //保存训练好的分类器        
77.     svm.save( "HOG_SVM_DATA.xml" );    
78.          
79.    //检测样本      
80.     IplImage *test;    
81.     char result[512];   
82.     vector<string> img_tst_path;  
83.     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  
84.     while( img_tst )    
85.     {    
86.         if( getline( img_tst, buf ) )    
87.         {    
88.             img_tst_path.push_back( buf );    
89.         }    
90.     }    
91.     img_tst.close();   
92.   
93.     ofstream predict_txt( "SVM_PREDICT.txt" );//把预测结果存储在这个文本中     
94.     for( string::size_type j = 0; j != img_tst_path.size(); j++ )//依次遍历所有的待检测图片      
95.     {      
96.         test = cvLoadImage( img_tst_path[j].c_str(), 1);      
97.         if( test == NULL )      
98.         {      
99.             cout<<" can not load the image: "<<img_tst_path[j].c_str()<<endl;      
100.             continue;      
101.         }  
102.         IplImage* trainTempImg=cvCreateImage(cvSize(28,28),8,3);  
103.         cvZero(trainTempImg);      
104.         cvResize(test,trainTempImg);      
105.         HOGDescriptor *hog=new HOGDescriptor(cvSize(28,28),cvSize(14,14),cvSize(7,7),cvSize(7,7),9);         
106.         vector<float>descriptors;//结果数组         
107.         hog->compute(trainTempImg, descriptors,Size(1,1), Size(0,0));       
108.         cout<<"HOG dims: "<<descriptors.size()<<endl;      
109.         CvMat* SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1);      
110.          int n=0;      
111.         for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)      
112.         {      
113.                cvmSet(SVMtrainMat,0,n,*iter);      
114.                n++;      
115.         }      
116.       
117.         int ret = svm.predict(SVMtrainMat);//检测结果  
118.         sprintf( result, "%s  %d\r\n",img_tst_path[j].c_str(),ret );  
119.         predict_txt<<result;  //输出检测结果到文本  
120.     }  
121.         predict_txt.close();      
122.         cvReleaseMat( &data_mat );      
123.         cvReleaseMat( &res_mat );    
124.         cvReleaseImage(&test);  
125.         cvReleaseImage(&trainImg);  
126.         return 0;  
127. }  

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。

训练好了分类器，以后就不要再训练了，直接加载分类器

[cpp]  view plain  copy

1. #include "stdafx.h"  
2. #include "opencv2/opencv.hpp"  
3. #include "windows.h"  
4. #include "fstream"  
5. using namespace std;  
6. using namespace cv;  
7. int _tmain(int argc, _TCHAR* argv[])  
8. {  
9.       
10.     CvSVM svm = CvSVM();  
11.     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  
12.     //检测样本      
13.     IplImage *test;    
14.     char result[300]; //存放预测结果   
15.     test = cvLoadImage("5.bmp", 1); //待预测图片，用系统自带的画图工具随便手写  
16.     if (!test)  
17.      {  
18.       MessageBox(NULL,TEXT("待预测图像不存在！"),TEXT("提示"),MB_ICONWARNING);  
19.       return -1;  
20.      }  
21.      IplImage* trainTempImg=cvCreateImage(cvSize(28,28),8,3);  
22.      cvZero(trainTempImg);      
23.      cvResize(test,trainTempImg);       
24.      HOGDescriptor *hog=new HOGDescriptor(cvSize(28,28),cvSize(14,14),cvSize(7,7),cvSize(7,7),9);        
25.      vector<float>descriptors;//存放结果         
26.      hog->compute(trainTempImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算        
27.      cout<<"HOG dims: "<<descriptors.size()<<endl;  //打印Hog特征维数  ，这里是324  
28.      CvMat* SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1);     
29.      int n=0;      
30.      for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)      
31.      {      
32.            cvmSet(SVMtrainMat,0,n,*iter);      
33.            n++;      
34.       }     
35.       
36.       int ret = svm.predict(SVMtrainMat);//检测结果  
37.       sprintf(result, "%d\r\n",ret );  
38.       cvNamedWindow("dst",1);  
39.       cvShowImage("dst",test);  
40.       MessageBox(NULL,result,TEXT("预测结果"),MB_OK);  
41.       cvReleaseImage(&test);  
42.       cvReleaseImage(&trainTempImg);  
43.       return 0;  
44. }  

待预测图像：

预测结果：

__________________________________________________________________________________________________________________

其中，关于HOG函数HOGDescriptor，见博客 http://blog.csdn.net/raocong2010/article/details/6239431

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：

[cpp]  view plain  copy

1. #include "stdafx.h"  
2.   
3. #include "cv.h"    
4. #include "highgui.h"    
5. #include "stdafx.h"    
6. #include <ml.h>    
7. #include <iostream>    
8. #include <fstream>    
9. #include <string>    
10. #include <vector>    
11. using namespace cv;    
12. using namespace std;    
13.     
14.     
15. int main(int argc, char** argv)      
16. {      
17.     int ImgWidht = 120;  
18.     int ImgHeight = 120;  
19.     vector<string> img_path;    
20.     vector<int> img_catg;    
21.     int nLine = 0;    
22.     string buf;    
23.     ifstream svm_data( "E:/apple/SVM_DATA.txt" );    
24.     unsigned long n;    
25.     
26.     while( svm_data )    
27.     {    
28.         if( getline( svm_data, buf ) )    
29.         {    
30.             nLine ++;    
31.             if( nLine < 5 )    
32.             {    
33.                 img_catg.push_back(1);  
34.                 img_path.push_back( buf );//图像路径   
35.             }    
36.             else    
37.             {    
38.                 img_catg.push_back(0);  
39.                 img_path.push_back( buf );//图像路径   
40.             }    
41.         }    
42.     }    
43.     svm_data.close();//关闭文件    
44.     
45.     Mat data_mat, res_mat;    
46.     int nImgNum = nLine;            //读入样本数量    
47.     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    
48.     //data_mat = Mat::zeros( nImgNum, 12996, CV_32FC1 );      
49.     //类型矩阵,存储每个样本的类型标志    
50.     res_mat = Mat::zeros( nImgNum, 1, CV_32FC1 );    
51.     
52.     Mat src;    
53.     Mat trainImg = Mat::zeros(ImgHeight, ImgWidht, CV_8UC3);//需要分析的图片    
54.     
55.     for( string::size_type i = 0; i != img_path.size(); i++ )    
56.     {    
57.         src = imread(img_path[i].c_str(), 1);     
58.     
59.         cout<<" processing "<<img_path[i].c_str()<<endl;    
60.            
61.         resize(src, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC);  
62.         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       
63.         vector<float>descriptors;//结果数组       
64.         hog->compute(trainImg, descriptors, Size(1,1), Size(0,0)); //调用计算函数开始计算  
65.         if (i==0)  
66.         {  
67.              data_mat = Mat::zeros( nImgNum, descriptors.size(), CV_32FC1 ); //根据输入图片大小进行分配空间   
68.         }  
69.         cout<<"HOG dims: "<<descriptors.size()<<endl;     
70.         n=0;    
71.         for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)    
72.         {    
73.             data_mat.at<float>(i,n) = *iter;    
74.             n++;    
75.         }    
76.         //cout<<SVMtrainMat->rows<<endl;    
77.         res_mat.at<float>(i, 0) =  img_catg[i];    
78.         cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;    
79.     }    
80.                  
81.     CvSVM svm = CvSVM();  
82.     CvSVMParams param;    
83.     CvTermCriteria criteria;      
84.     criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );      
85.     param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );     
86.       
87. /*     
88.     SVM种类：CvSVM::C_SVC     
89.     Kernel的种类：CvSVM::RBF     
90.     degree：10.0（此次不使用）     
91.     gamma：8.0     
92.     coef0：1.0（此次不使用）     
93.     C：10.0     
94.     nu：0.5（此次不使用）     
95.     p：0.1（此次不使用）     
96.     然后对训练数据正规化处理，并放在CvMat型的数组里。     
97.                                                         */         
98.     //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆           
99.     svm.train( data_mat, res_mat, Mat(), Mat(), param );      
100.     //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆       
101.     svm.save( "E:/apple/SVM_DATA.xml" );   
102.     
103.     //检测样本    
104.     vector<string> img_tst_path;    
105.     ifstream img_tst( "E:/apple/SVM_TEST.txt" );    
106.     while( img_tst )    
107.     {    
108.         if( getline( img_tst, buf ) )    
109.         {    
110.             img_tst_path.push_back( buf );    
111.         }    
112.     }    
113.     img_tst.close();    
114.     
115.     Mat test;  
116.     char line[512];    
117.     ofstream predict_txt( "E:/apple/SVM_PREDICT.txt" );    
118.     for( string::size_type j = 0; j != img_tst_path.size(); j++ )    
119.     {    
120.         test = imread( img_tst_path[j].c_str(), 1);//读入图像     
121.         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         
122.         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       
123.         vector<float>descriptors;//结果数组       
124.         hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算   
125.         cout<<"The Detection Result:"<<endl;  
126.         cout<<"HOG dims: "<<descriptors.size()<<endl;    
127.         Mat SVMtrainMat =  Mat::zeros(1,descriptors.size(),CV_32FC1);    
128.         n=0;    
129.         for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)    
130.         {    
131.             SVMtrainMat.at<float>(0,n) = *iter;    
132.             n++;    
133.         }    
134.     
135.         int ret = svm.predict(SVMtrainMat);    
136.         std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret );   
137.         printf("%s %d\r\n", img_tst_path[j].c_str(), ret);  
138.         getchar();  
139.         predict_txt<<line;    
140.     }    
141.     predict_txt.close();    
142.     
143. return 0;    
144. }    

就到这里吧，再整理一下思路。
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.