学习OpenCV——SVM

来源：互联网发布：维普软件编辑：程序博客网时间：2024/05/17 08:23

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

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