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;
}