SVM训练样本方法总结（用于目标识别）

http://blog.csdn.net/xw20084898/article/details/21389885 原文链接

目录(?)[-]

1. 引言
2. 步骤
3. 1生成SVM描述文件
4. 2将描述文件读入容器中
5. 3读入样本数量生成样本矩阵和类型矩阵
6. 4读入样本图像
7. 5提取HOG特征
8. 6将HOG特征写入txt文件
9. 7进行SVM训练

SVM样本训练步骤

尊重原创，转载本文请说明出处：http://blog.csdn.net/xw20084898/article/details/21389885

1、引言

近期在做飞形体目标识别的研究，需要做SVM训练来生成识别的分类器。从网上找了大量的参考文章，但是发现很多文章都讲的比较零散。鉴于此原因，本文对SVM训练过程做一个较为系统的总结，希望对广大初学者有所帮助。

2、步骤

（1）生成SVM描述文件；

将需要训练的样本文件的路径和对应的分类类别号写入txt文档，如：

plane/飞机训练正样本Normalize/0.jpg
1
plane/飞机训练正样本Normalize/1.jpg            命名为：SVM_DATA.txt

1

（2）将描述文件读入容器中；

定义两个容器，用于保存样本路径和分类标号，如：

 vector img_path;  
         vector img_catg;  

读入数据：

         int nLine = 0;  
   string buf;  
   ifstream svm_data( "SVM_DATA.txt" ); 

  while( svm_data )
         {
             if( getline( svm_data, buf) )
         /*原型
 　　istream& getline ( istream &is , string &str , char delim ); 　　istream& getline ( istream& , string& );
 参数  is 进行读入操作的输入流 　　str 存储读入的内容 　　delim 终结符    返回值 与参数is是一样的
 功能  将输入流is中读到的字符存入str中，直到遇到终结符delim才结束。
   对于第一个函数delim是可以由用户自己定义的终结符；对于第二个函数delim默认为 '\n'（换行符）。
   函数在输入流is中遇到文件结束符（EOF）或者在读入字符的过程中遇到错误都会结束。
   在遇到终结符delim后，delim会被丢弃，不存入str中。在下次读入操作时，将在delim的下个字符开始读入。*/
             {
             nLine ++;
             if( nLine % 2 == 0 )
                 {
                      img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，值为0或1  用0,1区分正负样本
                      //功 能： 把字符串转换成整型数。 　　名字来源：array to integer 的缩写。
                      //原型： int atoi(const char *nptr);
 //函数说明: 参数nptr字符串，如果第一个非空格字符不存在或者不是数字也不是正负号则返回零，否则开始做类型转换，
 //之后检测到非数字(包括结束符 \0) 字符时停止转换，返回整型数。
                     // 函数声明：const char *c_str(); 　　c_str()函数返回一个指向正规C字符串的指针, 内容与本string串相同.
             }
             else
                 {
                 img_path.push_back( buf );//图像路径
                 }
             }
         }
         svm_data.close();//关闭文件

（3）读入样本数量，生成样本矩阵和类型矩阵

 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, 144, 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 );

（4）读入样本图像

 IplImage* src;
     IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3);//需要分析的图片


     for( string::size_type z = 0; z != img_path.size(); z++ )    //整体循环为z
     {
            src=cvLoadImage(img_path[z].c_str(),1);
         // 函数声明：const char *c_str();c_str()函数返回一个指向正规C字符串的指针, 内容与本string串相同.
             if( src == NULL )
             {
                 cout<<" can not load the image: "<
                continue;
             }

             cout<<" processing "<

（5）提取HOG特征

  //以下为提取Hog特征
                cvResize(src,trainImg);   //读取图片，归一化大小
                HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(16,16),cvSize(16,16),9);

                 vector<float>descriptors;//结果数组
                 hog->compute(trainImg, descriptors,Size(8,8), Size(0,0)); //调用计算函数开始计算
                 cout<<"HOG dims: "<
                 //CvMat* SVMtrainMat=cvCreateMat(descriptors.size(),1,CV_32FC1);
                 n=0;
                 for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)    //迭代器
                 {
                 cvmSet(data_mat,z,n,*iter);   //将HOG特征 存入data_mat矩阵中
 x=cvmGet(data_mat,z,n);
 cout<<"hog"<
                     n++;
                 }

（6）将HOG特征写入txt文件

 FILE *fp1;
     int i,j;
     if((fp1=fopen("Hog.txt","ab"))==NULL)// 读写打开一个二进制文件，允许读或在文件末追加数据。
     {
         printf("can not open the hu file\n");
         exit(0);//正常退出程序
     }
     for (i = 0; i <144; ++i)
     {
         fprintf(fp1,"%lf ",descriptors[i]);
     }
         //fprintf(fp1,"\r\n");
     fclose(fp1);

                 cvmSet( res_mat, z, 0, img_catg[z] );   //将正负样本标记存入矩阵res_mat中
                 cout<<" end processing "<" "<
     }

（7）进行SVM训练

 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。
                                                         */
     //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_DATA1.xml" );

     cvReleaseImage(&src);
     cvReleaseMat( &data_mat );
     cvReleaseMat( &res_mat );
      return 0;

在以上训练过程中，要特别注意的是在创建样本矩阵的时候，其矩阵大小由样本数量和样本提取的特征维数决定的。比如上面创建的样本矩阵大小为：

 int nImgNum = nLine / 2; 行，144列；  144是由提取HOG特征时，由窗口大小、块大小、胞元大小和每个抱怨大小中的特征数共同决定的。