opencv SVM多分类 人脸识别

 

　　上一篇介绍了OPENCV中SVM的简单使用，以及自带的一个二分类问题。

　　例子中的标签是程序手动写的，输入也是手动加的二维坐标点。　　

　　对于复杂问题就必须使用数据集中的图片进行训练，标签使用TXT文件或程序设置好，下面以 IMM Face Database 中的人脸数据作为示例，

实现人脸的HOG特征提取及SVM识别人脸。

　　数据集参考我的http://www.cnblogs.com/chenzhefan/p/7624811.html；只选取其中5类人，每类5副图片作为训练。

　　提取人脸HOG特征的维数为1764，具体见代码设置。

void HogSVM()
{
    int ImgWidht = 64;
    int ImgHeight = 64;
    vector<string> img_path;
    vector<int> img_catg;
    int nLine = 0;
    string buf;
    ifstream svm_data("E:\\vswork\\car3\\train\\train.txt");
    unsigned long n;

    for (int catg = 0; catg < 5; catg++)
    {
        for (int num = 0; num < 5; num++)
        {
            if (getline(svm_data, buf))
            {
                img_catg.push_back(catg);//图像类别
                img_path.push_back(buf);//图像路径
                nLine++;
            }
        }

    }

    svm_data.close();//关闭文件  

    Mat data_mat, res_mat;
    int nImgNum = nLine;            //读入样本数量  
    //样本矩阵，nImgNum：行数代表样本的数量，每一行就是由一张图片计算得到HOG的特征向量，
    data_mat = Mat::zeros(nImgNum, 1764, CV_32FC1);
    res_mat = Mat::zeros(nImgNum, 1, CV_32FC1);

    Mat src;
    Mat trainImg = Mat::zeros(ImgHeight, ImgWidht, CV_8UC3);//需要分析的图片  

    for (string::size_type i = 0; i != img_path.size(); i++)
    {
        src = imread(img_path[i].c_str(), 1);

        cout << " processing " << img_path[i].c_str() << endl;

        resize(src, trainImg, cv::Size(ImgWidht, ImgHeight), 0, 0, INTER_CUBIC);
        HOGDescriptor *hog = new HOGDescriptor(cvSize(ImgWidht, ImgHeight), cvSize(16, 16), cvSize(8, 8), cvSize(8, 8), 9);  //构造HOG，具体意思见参考文章1,2     
        vector<float>descriptors;//结果数组     
        hog->compute(trainImg, descriptors, Size(1, 1), Size(0, 0)); //调用计算函数开始计算
        if (i == 0)
        {
            data_mat = Mat::zeros(nImgNum, descriptors.size(), CV_32FC1); //根据输入图片大小进行分配空间 
        }
        cout << "HOG dims: " << descriptors.size() << endl;
        n = 0;
        for (vector<float>::iterator iter = descriptors.begin(); iter != descriptors.end(); iter++)
        {
            data_mat.at<float>(i, n) = *iter;
            n++;
        }
        res_mat.at<float>(i, 0) = img_catg[i];
        cout << " end processing " << img_path[i].c_str() << " " << img_catg[i] << endl;
    }

    CvSVM svm;
    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.train(data_mat, res_mat, Mat(), Mat(), param);
    svm.save("SVM_DATA.xml");

    return;
}

上述函数主要完成提取训练图片的HOG特征，并用SVM训练模型，保存为XML文件方便快速使用。

训练结果如图：

训练完成后即可以使用测试图片进行图片识别了：

void HogSVMPre()
{
    //检测样本  
    vector<string> img_tst_path;
    string buf;
    unsigned long n;
    int ImgWidht = 64;
    int ImgHeight = 64;
    Mat TestImg = Mat::zeros(ImgHeight, ImgWidht, CV_8UC3);
    ifstream img_tst("E:\\vswork\\car3\\val\\val.txt");
    while (img_tst)
    {
        if (getline(img_tst, buf))
        {
            img_tst_path.push_back(buf);
        }
    }
    img_tst.close();
    CvSVM svm;
    svm.load("SVM_DATA.xml");
    Mat test;
    char line[512];
    ofstream predict_txt("SVM_PREDICT.txt");
    for (string::size_type j = 0; j != img_tst_path.size(); j++)
    {
        test = imread(img_tst_path[j].c_str(), 1);//读入图像   
        resize(test, TestImg, cv::Size(ImgWidht, ImgHeight), 0, 0, INTER_CUBIC);//要搞成同样的大小才可以检测到       
        HOGDescriptor *hog = new HOGDescriptor(cvSize(ImgWidht, ImgHeight), cvSize(16, 16), cvSize(8, 8), cvSize(8, 8), 9);  //窗口大小，块大小，块滑动增量，cell的大小，bins的个数
        vector<float>descriptors;//结果数组     
        hog->compute(TestImg, descriptors, Size(1, 1), Size(0, 0)); //调用计算函数开始计算 
        cout << "The Detection Result:" << endl;
        cout << "HOG dims: " << descriptors.size() << endl;
        Mat SVMtrainMat = Mat::zeros(1, descriptors.size(), CV_32FC1);
        n = 0;
        for (vector<float>::iterator iter = descriptors.begin(); iter != descriptors.end(); iter++)
        {
            SVMtrainMat.at<float>(0, n) = *iter;
            n++;
        }

        int ret = svm.predict(SVMtrainMat);
        std::sprintf(line, "%s %d\r\n", img_tst_path[j].c_str(), ret);
        printf("%s %d\r\n", img_tst_path[j].c_str(), ret);//输出预测的结果，ret的值就代表类别
        //getchar();
        predict_txt << line;
    }
    predict_txt.close();
    system("PAUSE");
    return;
}

预测结果：

小样本图片SVM的识别结果还是很不错的。本文的测试图片较少，也不能说明模型到底有多好，但基于opencv SVM的识别分类流程基本是这样了。

有问题欢迎讨论~