opencv中的机器学习简单使用

OpenCV的ml模块实现了很多算法，包括朴素贝叶斯、K近邻、SVM、决策树、Boosting、GBT、随机森林、神经网络等。其大多继承自同一基类，训练和预测的接口都是train(),predict()，使用较为方便。

神经网络：

opencv实现人工神经网络（Artificial Neural Networks）最典型的多层感知器（multi-layer perceptrons, MLP）模型，CvANN_MLP。

opencv文档中关于神经网络及其API的介绍：Neural Networks

#include   
#include   
#include   
#include    

using namespace std;
using namespace cv;

int main()
{
	CvANN_MLP bp; //bp网络
	CvANN_MLP_TrainParams params; //bp网络参数
	params.train_method = CvANN_MLP_TrainParams::BACKPROP;//使用简单的BP算法，还可使用RPROP
	params.bp_dw_scale = 0.1;
	params.bp_moment_scale = 0.1;

	float labels[4][2] = { { 0,0 },{ 0,0 },{ 1,1 },{ 1,1 } }; //训练标签数据，前两个表示男生，后两个表示女生
	Mat labelsMat(4, 2, CV_32FC1, labels);

	float trainingData[4][2] = { {186,80},{185,81},{160,50},{161,48} }; //训练数据，两个维度，表示身高和体重
	Mat trainingDataMat(4, 2, CV_32FC1, trainingData);

	Mat layerSizes = (Mat_(1, 4) << 2, 2, 2, 2);//含有两个隐含层的网络结构，输入、输出层各两个节点，每个隐含层含两个节点
	bp.create(layerSizes, CvANN_MLP::SIGMOID_SYM);//激活函数为SIGMOID函数，还可使用高斯函数(CvANN_MLP::GAUSSIAN)，阶跃函数(CvANN_MLP::IDENTITY)  
	bp.train(trainingDataMat, labelsMat, Mat(), Mat(), params);

	//bp.save("bp.xml");//存储模型
	//bp.load("bp.xml");//读取模型

	Mat sampleMat = (Mat_(1, 2) << 184, 79); //测试数据，为一男生
	Mat responseMat;
	bp.predict(sampleMat, responseMat);
	Point maxLoc;
	minMaxLoc(responseMat, NULL, NULL, NULL, &maxLoc); //response为1行（1个测试数据），2列（共两种类别），每列表示该数据与该类相似的可能性，这里取最大的一类
	if (maxLoc.x == 0)
		cout << "Boy" << endl;
	if (maxLoc.x == 1)
		cout << "Girl" << endl;
	return 0;
}

参考：

【模式识别】OpenCV中使用神经网络

opencv中使用bp神经网络

【opencv】神经网络CvANN_MLP分类

支持向量机（SVM）：

官网对于SVM及其API接口介绍：Support Vector Machines

支持向量机(SVM)介绍

OpenCV3  Ref SVM ： cv::ml::SVM Class Reference

OpenCV2：

#include 
#include 
#include 
#include 

using namespace cv;
using namespace std;

int main()
{
	float labels[4] = { 0, 0, 1, 1 }; //训练标签数据，前两个表示男生，后两个表示女生
	Mat labelsMat(3, 1, CV_32FC1, labels);

	float trainingData[4][2] = { { 186,80 },{ 185,81 },{ 160,50 },{ 161,48 } }; //训练数据，两个维度，表示身高和体重  
	Mat trainingDataMat(3, 2, CV_32FC1, trainingData);

	
	CvSVMParams params; //SVM参数
	params.svm_type = CvSVM::C_SVC;  //SVM类型. 这里用C_SVC
	params.kernel_type = CvSVM::LINEAR; //SVM 核类型
	params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6); //终止条件，最大迭代次数和容许误差

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

	Mat sampleMat = (Mat_(1, 2) << 184, 79); //测试数据，为一男生
	float response = SVM.predict(sampleMat);

	if (response == 0)
		cout << "Boy" << endl;
	else if (response == 1)
		cout << "Girl" << endl;

	return 0;
}

OpenCV3中的SVM：

#include 
#include 
#include 
#include 

using namespace cv;
using namespace cv::ml;
using namespace std;

int main()
{
    float labels[4] = { 0, 0, 1, 1 }; //训练标签数据
    Mat labels_train(4, 1, CV_32F, labels);

    float trainingData[4][2] = { { 186,80 },{ 185,81 },{ 160,50 },{ 161,48 } }; //训练数据，两个维度
    Mat data_train(4, 2, CV_32F, trainingData);


    Ptr svm = SVM::create();
    svm->setKernel(cv::ml::SVM::KernelTypes::LINEAR);
    svm->setType(cv::ml::SVM::Types::C_SVC);
    svm->setTermCriteria(TermCriteria( TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, FLT_EPSILON ));

    svm->train(data_train, ROW_SAMPLE, labels_train);
    //svm->save("SVMmodel"); //存储模型
    //Ptr svm = StatModel::load("SVMmodel"); //读取模型

    Mat testData(1,2,CV_32F);//测试数据
    Mat responses; //预测结果
    testData.at(0,0) = 184;
    testData.at(0,1) = 79;
    svm->predict(testData, responses);
    responses.convertTo(responses,CV_32S);

    if (response.at(0,0) == 0)
        cout << "Boy" << endl;
    else if (response.at(0,0) == 1)
        cout << "Girl" << endl;

    return 0;
}