opencv knn,svm,ann,人脸识别类的使用总结

1、 knn

需要引用的头文件  #include <opencv2/ml/ml.hpp>

用到的opencv类：KNearest   *knn;         

得到训练数据和相应的标记：trainData，将每一个训练矩阵归一化为相同的大小，假如为128行128列，则将其转换为1行128*128列存入trainData中，假如有10个分组，每组中50个样本，则最后得到的trainData为500行128*128列，trainClasses为500行1列。trainData和trainClasses都为CV_32FC1类型的矩阵

训练数据：knn = new KNearest(trainData, trainClasses, Mat(), false, K);  //其中，K表示最大邻居个数，推荐取值为5

预测：float result = knn->find_nearest(img, K, tem1, nearest, tem2);   //此行代码之前，仅需Mat tem1, tem2;即可

唯一遗憾的是，我现在还没找到可以保存训练后数据的方式。

2、svm

需要引用的头文件  #include <opencv2/ml/ml.hpp>

第一步：定义参数

CvSVMParams params;params.svm_type = CvSVM::C_SVC;params.kernel_type = CvSVM::LINEAR;params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);

或者

CvSVMParams SVM_params;  // CvSVMParams结构用于定义基本参数SVM_params.svm_type = CvSVM::C_SVC;// SVM类型SVM_params.kernel_type = CvSVM::LINEAR; // 不做映射SVM_params.degree = 0;SVM_params.gamma = 1;SVM_params.coef0 = 0;SVM_params.C = 1;SVM_params.nu = 0;SVM_params.p = 0;SVM_params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, 0.01);

参数的详细意义，可以日后好好探究下

第二步：得到训练数据和相应的标记，其mat矩阵存储方式 同knn

第三步：创建svm类，并训练

CvSVM SVM;SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);

或者一行代码就可以搞定

CvSVM svmClassifier(SVM_TrainingData, SVM_Classes, Mat(), Mat(), SVM_params);

第四步：预测分类

int response = (int)svmClassifier.predict(p);//其中，p为一行多列的Mat矩阵

3、ann（神经网络）

神经网络的简单用法，可以参考ann简单使用示例

需要引用的头文件  #include <opencv2/ml/ml.hpp>

第一步：定义参数

CvANN_MLP  ann;Mat layers(1, 3, CV_32SC1);layers.at<int>(0) = TrainData.cols;//对应训练数据矩阵的列数layers.at<int>(1) = nNeruns;//网络层数layers.at<int>(2) = trainClasses.cols;//对应标记矩阵的列数

ann.create(layers, CvANN_MLP::SIGMOID_SYM, 1, 1);

CvANN_MLP_TrainParams params;params.train_method = CvANN_MLP_TrainParams::BACKPROP;params.bp_dw_scale = 0.1;params.bp_moment_scale = 0.1;

或者（参数的具体意义，现在还没搞懂，推荐使用上面的参数）

params.train_method=CvANN_MLP_TrainParams::RPROP;params.rp_dw0 = 0.1; 

params.rp_dw_plus = 1.2; params.rp_dw_minus = 0.5;params.rp_dw_min = FLT_EPSILON; params.rp_dw_max = 50.;

第二步：得到训练数据和相应的标记，其中标记矩阵可以是多列的，不一定是knn中总结的多行一列

第三步：训练数据

ann.train(TrainData, trainClasses, Mat(), Mat(), params);

第四步：预测

ann.predict(features, Predict_result);

//其中，features为一行多列的数据矩阵，列数对应TrainData, Predict_result为一行多列或者一行一列的矩阵，对应trainClass。最后从Predict_result中判断其属于哪一类

4、人脸识别类

详细的可以参考opencv实践之路

不需要知道在哪个头文件中，直接#include<opencv2\opencv.hpp>  即可

OpenCV 自带了三个人脸识别算法：Eigenfaces，Fisherfaces 和局部二值模式直方图 (LBPH)

第一步：Ptr<FaceRecognizer> model;

第二步：得到训练数据和相应的标记， vector<Mat> images;vector<int> labels;  //这个比上面的knn,svm,ann都简单

第三步：

model = createEigenFaceRecognizer();
model->train(images, labels);
model->save("MyFacePCAModel.xml");//so easy

或者

model = createFisherFaceRecognizer();
model->train(images, labels);
model->save("MyFaceFisherModel.xml");

或者

model = createLBPHFaceRecognizer();
model->train(images, labels);
model->save("MyFaceLBPHModel.xml");

如果已经保存了训练好的数据，可以：model->load("MyFacePCAModel.xml");

第四步：int result = model->predict(src);

令人欣喜的是，不仅仅是人脸识别，其他目的的训练和预测也是可以的。