svm1

学习OpenCV——SVM

分类： OpenCV 机器学习2012-04-10
21:32 5626人阅读 评论(24) 收藏 举报

floatvectornullpathprocessingimage

目录(?)[+]

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?

// 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

[cpp] view
plaincopyprint?

//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。

[cpp] view
plaincopyprint?

//////////////////////////////////////////////////////////////////////////

// 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 20

int 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