程序博客网 > nvslp监控软件下载

学习OpenCV——SVM

来源：互联网 发布：nvslp监控软件下载 编辑：程序博客网 时间：2024/05/15 06:08

学习SVM，首先通过http://zh.wikipedia.org/wiki/SVM，

再通过博客http://blog.csdn.net/yang_xian521/article/details/6969904

OpenCV开发SVM算法是基于LibSVM软件包开发的，LibSVM是台湾大学林智仁(Lin Chih-Jen)等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。用OpenCV使用SVM算法的大概流程是

1）设置训练样本集

需要两组数据，一组是数据的类别，一组是数据的向量信息。

2）设置SVM参数

利用CvSVMParams类实现类内的成员变量svm_type表示SVM类型：

CvSVM：：C_SVC  C-SVC

CvSVM：：NU_SVC v-SVC

CvSVM：：ONE_CLASS 一类SVM

CvSVM：：EPS_SVR e-SVR

CvSVM：：NU_SVR v-SVR

成员变量kernel_type表示核函数的类型：

CvSVM：：LINEAR 线性：u‘v

CvSVM：：POLY 多项式：(r*u'v + coef0)^degree

CvSVM：：RBF RBF函数：exp(-r|u-v|^2)

CvSVM：：SIGMOID sigmoid函数：tanh(r*u'v + coef0)

成员变量degree针对多项式核函数degree的设置，gamma针对多项式/rbf/sigmoid核函数的设置，coef0针对多项式/sigmoid核函数的设置，Cvalue为损失函数，在C-SVC、e-SVR、v-SVR中有效，nu设置v-SVC、一类SVM和v-SVR参数，p为设置e-SVR中损失函数的值，class_weightsC_SVC的权重，term_crit为SVM训练过程的终止条件。其中默认值degree = 0，gamma = 1，coef0 = 0，Cvalue = 1，nu = 0，p = 0，class_weights = 0

3）训练SVM

调用CvSVM：：train函数建立SVM模型，第一个参数为训练数据，第二个参数为分类结果，最后一个参数即CvSVMParams

4）用这个SVM进行分类

调用函数CvSVM：：predict实现分类

5）获得支持向量

除了分类，也可以得到SVM的支持向量，调用函数CvSVM：：get_support_vector_count获得支持向量的个数，CvSVM：：get_support_vector获得对应的索引编号的支持向量。

实现代码如下：运行步骤

[cpp] view plaincopyprint?
  1. // step 1:   
  2. float labels[4] = {1.0, -1.0, -1.0, -1.0};  
  3. Mat labelsMat(3, 1, CV_32FC1, labels);  
  4.   
  5. float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };  
  6. Mat trainingDataMat(3, 2, CV_32FC1, trainingData);  
  7.   
  8. // step 2:   
  9. CvSVMParams params;  
  10. params.svm_type = CvSVM::C_SVC;  
  11. params.kernel_type = CvSVM::LINEAR;  
  12. params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);  
  13.   
  14. // step 3:   
  15. CvSVM SVM;  
  16. SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);  
  17.   
  18. // step 4:   
  19. Vec3b green(0, 255, 0), blue(255, 0, 0);  
  20. for (int i=0; i<image.rows; i++)  
  21. {  
  22.     for (int j=0; j<image.cols; j++)  
  23.     {  
  24.         Mat sampleMat = (Mat_<float>(1,2) << i,j);  
  25.         float response = SVM.predict(sampleMat);  
  26.   
  27.         if (fabs(response-1.0) < 0.0001)  
  28.         {  
  29.             image.at<Vec3b>(j, i) = green;  
  30.         }  
  31.         else if (fabs(response+1.0) < 0.001)  
  32.         {  
  33.             image.at<Vec3b>(j, i) = blue;  
  34.         }  
  35.     }  
  36. }  
  37.   
  38. // step 5:   
  39. int c = SVM.get_support_vector_count();  
  40.   
  41. for (int i=0; i<c; i++)  
  42. {  
  43.     const float* v = SVM.get_support_vector(i);  
  44. }  

 

实验代码1：颜色分类

//利用SVM解决2维空间向量的3级分类问题    #include "stdafx.h"    #include "cv.h"    #include "highgui.h"       #include <ML.H>    #include <TIME.H>       #include <CTYPE.H>      #include <IOSTREAM>    using namespace std;   int main(int argc, char **argv)   {   int size = 400;         //图像的长度和宽度        const int s = 1000;          //试验点个数（可更改！！）        int i, j, sv_num;       IplImage *img;       CvSVM svm = CvSVM();    //★★★        CvSVMParams param;       CvTermCriteria criteria;//停止迭代的标准        CvRNG rng = cvRNG(time(NULL));       CvPoint pts[s];         //定义1000个点        float data[s*2];        //点的坐标        int res[s];             //点的所属类        CvMat data_mat, res_mat;       CvScalar rcolor;       const float *support;   // (1)图像区域的确保和初始化        img= cvCreateImage(cvSize(size, size), IPL_DEPTH_8U, 3);       cvZero(img);       //确保画像区域，并清0(用黑色作初始化处理)。           // (2)学习数据的生成        for (i= 0; i< s; i++) {           pts[i].x= cvRandInt(&rng) % size;   //用随机整数赋值            pts[i].y= cvRandInt(&rng) % size;           if (pts[i].y> 50 * cos(pts[i].x* CV_PI/ 100) + 200) {               cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(255, 0, 0));   cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(255, 0, 0));               res[i] = 1;           }           else {               if (pts[i].x> 200) {                   cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 255, 0));                   cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 255, 0));                   res[i] = 2;               }               else {                   cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 0, 255));                   cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 0, 255));                   res[i] = 3;               }           }       }       //生成2维随机训练数据，并将其值放在CvPoint数据类型的数组pts[ ]中。           // (3)学习数据的显示        cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE);       cvShowImage("SVM", img);       cvWaitKey(0);          // (4)学习参数的生成        for (i= 0; i< s; i++) {           data[i* 2] = float (pts[i].x) / size;           data[i* 2 + 1] = float (pts[i].y) / size;       }       cvInitMatHeader(&data_mat, s, 2, CV_32FC1, data);       cvInitMatHeader(&res_mat, s, 1, CV_32SC1, res);       criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON);       param= CvSVMParams (CvSVM::C_SVC, CvSVM::RBF, 10.0, 8.0, 1.0, 10.0, 0.5, 0.1, 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, NULL, NULL, param);//☆        //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆               // (6)学习结果的绘图        for (i= 0; i< size; i++) {           for (j= 0; j< size; j++) {               CvMat m;               float ret = 0.0;               float a[] = { float (j) / size, float (i) / size };               cvInitMatHeader(&m, 1, 2, CV_32FC1, a);               ret= svm.predict(&m);               switch ((int) ret) {                   case 1:                       rcolor= CV_RGB(100, 0, 0);                       break;                   case 2:                       rcolor= CV_RGB(0, 100, 0);                       break;                   case 3:                       rcolor= CV_RGB(0, 0, 100);                       break;               }               cvSet2D(img, i, j, rcolor);           }       }       //为了显示学习结果，通过输入图像区域的所有像素(特征向量)并进行分类。然后对输入像素用所属等级的颜色绘图。           // (7)训练数据的再绘制        for (i= 0; i< s; i++) {           CvScalar rcolor;           switch (res[i]) {               case 1:                   rcolor= CV_RGB(255, 0, 0);                   break;               case 2:                   rcolor= CV_RGB(0, 255, 0);                   break;               case 3:                   rcolor= CV_RGB(0, 0, 255);                   break;           }           cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), rcolor);           cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), rcolor);       }       //将训练数据在结果图像上重复的绘制出来。           // (8)支持向量的绘制        sv_num= svm.get_support_vector_count();       for (i= 0; i< sv_num; i++) {           support = svm.get_support_vector(i);           cvCircle(img, cvPoint((int) (support[0] * size), (int) (support[1] * size)), 5, CV_RGB(200, 200, 200));       }       //用白色的圆圈对支持向量作标记。           // (9)图像的显示         cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE);       cvShowImage("SVM", img);       cvWaitKey(0);       cvDestroyWindow("SVM");       cvReleaseImage(&img);       return 0;       //显示实际处理结果的图像，直到某个键被按下为止。    }


实验代码2：用MIT人脸库检测，效果实在不好，检测结果全是人脸或者全都不是人脸。原因应该是图像检测没有做好应该用HoG等特征首先检测，在进行分类训练，不特征不明显，肯定分类效果并不好。

//////////////////////////////////////////////////////////////////////////// File Name: pjSVM.cpp// Author:   easyfov(easyfov@gmail.com)// Company: Lida Optical and Electronic Co.,Ltd.//http://apps.hi.baidu.com/share/detail/32719017//////////////////////////////////////////////////////////////////////////#include <cv.h>#include <highgui.h>#include <ml.h>#include <iostream>#include <fstream>#include <string>#include <vector>using namespace std;#define WIDTH 20#define HEIGHT 20int main( /*int argc, char** argv*/ ){vector<string> img_path;vector<int> img_catg;int nLine = 0;string buf;ifstream svm_data( "E:/SVM_DATA.txt" );while( svm_data ){if( getline( svm_data, buf ) ){nLine ++;if( nLine % 2 == 0 ){ img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，标志（0,1）}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;//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, WIDTH * HEIGHT, 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 );IplImage *srcImg, *sampleImg;float b;DWORD n;for( string::size_type i = 0; i != img_path.size(); i++ ){   srcImg = cvLoadImage( img_path[i].c_str(), CV_LOAD_IMAGE_GRAYSCALE );   if( srcImg == NULL )   {cout<<" can not load the image: "<<img_path[i].c_str()<<endl;continue;   }   cout<<" processing "<<img_path[i].c_str()<<endl;   sampleImg = cvCreateImage( cvSize( WIDTH, HEIGHT ), IPL_DEPTH_8U, 1 );//样本大小（WIDTH, HEIGHT）   cvResize( srcImg, sampleImg );//改变图像大小   cvSmooth( sampleImg, sampleImg );//降噪   //生成训练数据   n = 0;for( int ii = 0; ii < sampleImg->height; ii++ ){for( int jj = 0; jj < sampleImg->width; jj++, n++ ){ b = (float)((int)((uchar)( sampleImg->imageData + sampleImg->widthStep * ii + jj )) / 255.0 ); cvmSet( data_mat, (int)i, n, b );}    }cvmSet( res_mat, 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, 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_DATA.xml" );//检测样本IplImage *tst, *tst_tmp;vector<string> img_tst_path;ifstream img_tst( "E:/SVM_TEST.txt" );while( img_tst ){if( getline( img_tst, buf ) ){img_tst_path.push_back( buf );    }}img_tst.close();CvMat *tst_mat = cvCreateMat( 1, WIDTH*HEIGHT, CV_32FC1 );char line[512];ofstream predict_txt( "SVM_PREDICT.txt" );for( string::size_type j = 0; j != img_tst_path.size(); j++ ){tst = cvLoadImage( img_tst_path[j].c_str(), CV_LOAD_IMAGE_GRAYSCALE );if( tst == NULL ){ cout<<" can not load the image: "<<img_tst_path[j].c_str()<<endl;   continue;   }   tst_tmp = cvCreateImage( cvSize( WIDTH, HEIGHT ), IPL_DEPTH_8U, 1 );   cvResize( tst, tst_tmp );   cvSmooth( tst_tmp, tst_tmp );   n = 0;   for(int ii = 0; ii < tst_tmp->height; ii++ )   { for(int jj = 0; jj < tst_tmp->width; jj++, n++ ) { b = (float)(((int)((uchar)tst_tmp->imageData+tst_tmp->widthStep*ii+jj))/255.0); cvmSet( tst_mat, 0, n, (double)b ); }   }   int ret = svm.predict( tst_mat );   sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret );   predict_txt<<line;}predict_txt.close();cvReleaseImage( &srcImg );cvReleaseImage( &sampleImg );cvReleaseImage( &tst );cvReleaseImage( &tst_tmp );cvReleaseMat( &data_mat );cvReleaseMat( &res_mat );return 0;}


其中

G:/program/pjSVM/face/1.png
0
G:/program/pjSVM/face/2.png
0
G:/program/pjSVM/face/3.png
0
G:/program/pjSVM/face/4.png
0
G:/program/pjSVM/face/5.png
0
G:/program/pjSVM/face/6.png
0
G:/program/pjSVM/face/7.png
0
G:/program/pjSVM/face/8.png
0
G:/program/pjSVM/face/9.png
0
G:/program/pjSVM/face/10.png
0
G:/program/pjSVM/face/11.png
0
G:/program/pjSVM/face/12.png
0
G:/program/pjSVM/face/13.png
0
G:/program/pjSVM/face/14.png
0
G:/program/pjSVM/face/15.png
1
G:/program/pjSVM/face/16.png
1
G:/program/pjSVM/face/17.png
1
G:/program/pjSVM/face/18.png
1
G:/program/pjSVM/face/19.png
1
G:/program/pjSVM/face/20.png
1
G:/program/pjSVM/face/21.png
1
G:/program/pjSVM/face/22.png
1
G:/program/pjSVM/face/23.png
1
G:/program/pjSVM/face/24.png
1
G:/program/pjSVM/face/25.png
1
G:/program/pjSVM/face/26.png
1
G:/program/pjSVM/face/27.png
1
G:/program/pjSVM/face/28.png
1
G:/program/pjSVM/face/29.png
1
G:/program/pjSVM/face/30.png

1

SVM_TEST.txt中内容如下：

G:/program/pjSVM/try_face/5.png
G:/program/pjSVM/try_face/9.png
G:/program/pjSVM/try_face/11.png
G:/program/pjSVM/try_face/15.png
G:/program/pjSVM/try_face/2.png
G:/program/pjSVM/try_face/30.png
G:/program/pjSVM/try_face/17.png
G:/program/pjSVM/try_face/21.png
G:/program/pjSVM/try_face/24.png
G:/program/pjSVM/try_face/27.png

PS：txt操作简单方式：http://blog.csdn.net/lytwell/article/details/6029503

 

nvslp监控软件下载 nvslp监控软件下载
原创粉丝点击
热门IT博客
同城微信息服务源码同城微信息服务源码
雷洋事件知乎雷洋事件知乎
手机注册软件赚钱
centos显卡驱动安装
淘宝卖正品的鞋店
商桥2016软件下载
txt转mobi for mac
网络编辑岗位职责
台账软件
中文域名证书生成器
混油皮护肤品推荐知乎
广告宣传页设计软件
晶胞参数计算软件
mysql 登录数据库
武汉理工网络教育2017
linux 方向
网络购彩 恢复了吗
连杆机构的优化设计
linux新建逻辑分区
文华期货仿真交易软件
热门问题 老师的惩罚 人脸识别 我在镇武司摸鱼那些年 重生之率土为王 我在大康的咸鱼生活 盘龙之生命进化 天生仙种 凡人之先天五行 春回大明朝 姑娘不必设防，我是瞎子 夏色祭 夏色的砂时计下载 生如夏花 夏花绚烂 夏花 夏花娘 生如夏花泰戈尔 泰戈尔生如夏花 他站在夏花绚烂里 初恋璀璨如夏花 生如夏花什么意思 生如夏花张小素 生如夏花之绚烂 生如夏花歌词 初恋璀璨夏花 生如夏花意思 泰戈尔生如夏花原文 夏花娘的作品 生如夏花李夏 爱如夏花般璀璨 生如夏花夏时 生如夏花观后感 生如夏花吉他谱 生如夏花朗诵 武汉江夏花店 生如夏花表达了什么 xiahua 泰戈尔英文诗生如夏花 泰戈尔经典诗歌生如夏花 催眠夏芸 夏矛客运站 广州夏茅客运站 夏茅客运站 广州夏茅 夏茉 夏茉gigi 夏茉写真照 镇魔司夏茉 夏茉gigui 夏茉果果 夏茉gigi裸拍

程序博客网，程序员的互联网技术博客家园。csdn论坛精品 msdn技术资料都在这里