opencv 手写选择题阅卷 (三)训练分类器

opencv 手写选择题阅卷 (三)训练分类器

1,分类器选择:SVM

本来一开始用的KNN分类器,但这个分类器目前没有实现保存训练数据的功能,所以选择了SVN分类器;

2,样本图像的预处理和特征提取代码与识别代码中使用一样的代码.

3,训练时的输入数据主要为两个矩阵,一个矩阵保存所有样本的特征数据,每一行一个图像,另一个矩阵保存每个样本所属的类别,比如 1.0代表A,2.0代表B,0代表空白.

4,所有样本分别保存在5个文件夹中(一个是空白,四个字母ABCD),用批处理生成一个文本文件包括所有样本文件文件名和分类:

目前只使用了四个人书写的60个字母和几个空白样本,后期再增加更多人的更多样本,文本文件内容如下样式:

1 A\2016072316013018.png
1 A\2016072316013022.png
1 A\2016072316013026.png
2 B\2016072316010401.png
2 B\2016072316010405.png
2 B\2016072316010409.png

int n_img = 0;//每个字符多个个图片    FILE * pf = fopen(listname,"r");    if (pf == NULL){        printf("没有发现样本列表文件;\n");        return;    }    char line[1024];    while (1){        if (NULL == fgets(line, 1024, pf))            break;        if (strlen(line) == 0)            continue;        n_img++;    }    HOGDescriptor *hog = new HOGDescriptor(cvSize(32, 32), cvSize(16, 16), cvSize(8, 8), cvSize(8, 8), 9);    int nw = hog->getDescriptorSize();    CvMat * trainData = cvCreateMat(n_img, nw, CV_32FC1);     CvMat * trainClasses = cvCreateMat(n_img, 1, CV_32FC1);    //每个样本都要提取特征,写入到训练矩阵    char path[512] = "";    strcpy(path, listname);    int path_len = strlen(listname);    for (int i = path_len; i > 0; i--){        if (path[i] == '\\'){            path[i+1] = '\0';            break;        }    }    fseek(pf, 0, SEEK_SET);    int nItem = 0;//训练数据中的第N个    while (1){        if (NULL == fgets(line, 1024, pf))            break;        if (strlen(line) == 0)            continue;        char * str_lable = line;        char * str_imgname = NULL;        int line_len = strlen(line);        for (int i = 0; i < line_len; i++)        {            if (line[i] == ' '){                line[i] == '\0';                str_imgname = line + i + 1;                break;            }        }        if (str_imgname == NULL)            continue;        char img_name[512] = "";        strcpy(img_name, path);        strcat(img_name, str_imgname);        img_name[strlen(img_name) - 1] = '\0';        IplImage* src = cvLoadImage(img_name, 0);        if (src == NULL)        {            printf("打开样本图片出错:%s;\n", img_name);            continue;        }        IplImage* train_img = cvCreateImage(cvSize(32, 32), 8, 1);        preproc_img(src, train_img);        vector<float> descriptors;//存放结果        hog->compute(train_img, descriptors, Size(1, 1), Size(0, 0)); //Hog特征计算        int n = 0;        for (vector<float>::iterator iter = descriptors.begin(); iter != descriptors.end(); iter++)        {            cvmSet(trainData, nItem, n, *iter);//存储HOG特征            n++;        }        double val = strtod(str_lable, NULL);        cvmSet(trainClasses, nItem, 0, val);        cvReleaseImage(&src);        cvReleaseImage(&train_img);        nItem++;    }    if (nItem != n_img){        printf("实际样本数据与列表中样本数据不同;\n");    }    fclose(pf);    CvSVM svm;//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(trainData, trainClasses, NULL, NULL, param);//训练数据    //保存训练好的分类器    svm.save("HOG_SVM_DATA.xml");    cvReleaseMat(&trainData);    cvReleaseMat(&trainClasses);}