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
- // step 1:
- float labels[4] = {1.0, -1.0, -1.0, -1.0};
- Mat labelsMat(3, 1, CV_32FC1, labels);
- float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };
- Mat trainingDataMat(3, 2, CV_32FC1, trainingData);
- // step 2:
- CvSVMParams params;
- params.svm_type = CvSVM::C_SVC;
- params.kernel_type = CvSVM::LINEAR;
- params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);
- // step 3:
- CvSVM SVM;
- SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
- // step 4:
- Vec3b green(0, 255, 0), blue(255, 0, 0);
- for (int i=0; i<image.rows; i++)
- {
- for (int j=0; j<image.cols; j++)
- {
- Mat sampleMat = (Mat_<float>(1,2) << i,j);
- float response = SVM.predict(sampleMat);
- if (fabs(response-1.0) < 0.0001)
- {
- image.at<Vec3b>(j, i) = green;
- }
- else if (fabs(response+1.0) < 0.001)
- {
- image.at<Vec3b>(j, i) = blue;
- }
- }
- }
- // step 5:
- int c = SVM.get_support_vector_count();
- for (int i=0; i<c; i++)
- {
- const float* v = SVM.get_support_vector(i);
- }
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
- 学习OpenCV——SVM
- 学习OpenCV——SVM
- 学习OpenCV——SVM
- 学习OpenCV——HOG+SVM
- 学习OpenCV——HOG+SVM
- 学习OpenCV——HOG+SVM
- 学习OpenCV——HOG+SVM
- 学习OpenCV——HOG+SVM
- 学习OpenCV——HOG+SVM
- 学习OpenCV——SVM 手写数字检测
- 学习OpenCV——SVM 手写数字检测
- 学习OpenCV——SVM 手写数字检测
- 学习OpenCV——SVM 手写数字检测
- OpenCV Hog+SVM 学习
- OpenCV Hog+SVM 学习
- opencv svm学习
- opencv的svm学习_1
- 新手学习opencv七:svm
- android canvas类
- linux常用命令
- window.onload的加载时间
- RAC上 read by other session 解决一例
- UICatalog 随手记
- 学习OpenCV——SVM
- 字符串中字符'\0'是二进制值为零
- 也论全排列的递归实现
- Windows Phone中的路由事件-以ListBox控件为例
- poj Labeling Balls 3687 拓扑排序!!!!
- Dataguard的switchover 和failover 并将老主库flashback 成standby库
- 9省启动IPv6试点
- Silverlight 基础收集
- 配置apache反向代理,解决js跨域问题