车牌识别技术详解五--采用LBP+HOG SVM做目标分类，车牌检测，字符检测等

       

      在样本数量比较少的情况下，可以采用HOG、SVM对样本进行初步的筛选出，正负样本，本文接着上一节二值化出来部分样本后，用pictureRelate做初步筛选出正负样本各500，准确训练。

1、pictureRelate使用http://www.walthelm.net/picture-relate/

   可以用来比较图片的相似程度，或找出类似的图片文件的图像处理工具。在同一个视窗里浏览不同文件夹和硬盘驱动器中的图片文件#支持查看，改名，删除，剪贴，拖动，切换至文件管理器等操作#可处理多达50000多张图片！支持JPG, BMP, PNG, TIFF, PPM, PGM, PBM, RAS等格式#可以通过导入过滤命令行读取任何其它格式。

      这里HOG LBP特征可以采用VLfeat（http://www.vlfeat.org/）这个开源库里面的特征，或者用OpenCV里面的也可以，分类器SVM采用的是OpenCV里面的。

2、下面介绍下VLfeat里面的HOG特征

左图是原图，右图是HOG变化后的可视化效果。可以仔细对比，房子的轮廓还是可见的。

3、HOG+SVM训练目标检测的流程（OpenCV自带）：

http://blog.csdn.net/carson2005/article/details/7841443

（1）准备训练样本集合；包括正样本集和负样本集；

（2）收集到足够的训练样本之后，你需要手动裁剪样本。例如，你想用Hog+SVM来对商业步行街的监控画面中进行行人检测，那么，你就应该用收集到的训练样本集合，手动裁剪画面中的行人（可以写个简单程序，只需要鼠标框选一下，就将框选区域保存下来--这一步在上一节有介绍）。

（3）裁剪得到训练样本之后，将所有正样本放在一个文件夹中；将所有负样本放在另一个文件夹中；并将所有训练样本缩放到同样的尺寸大小。本文是采用90*24的区域训练的。

（4）提取所有正样本的Hog特征；

（5）提取所有负样本的Hog特征；

（6）对所有正负样本赋予样本标签；例如，所有正样本标记为1，所有负样本标记为0；

（7）将正负样本的Hog特征，正负样本的标签，都输入到SVM中进行训练；Dalal在论文中考虑到速度问题，建议采用线性SVM进行训练。这里，不妨也采用线性SVM；

（8）SVM训练之后，将结果保存为文本文件。

（9）线性SVM进行训练之后得到的文本文件里面，有一个数组，叫做support vector，还有一个数组，叫做alpha,有一个浮点数，叫做rho;将alpha矩阵同support vector相乘，注意，alpha*supportVector,将得到一个列向量。之后，再该列向量的最后添加一个元素rho。如此，变得到了一个分类器，利用该分类器，直接替换opencv中行人检测默认的那个分类器（cv::HOGDescriptor::setSVMDetector()），就可以利用你的训练样本训练出来的分类器进行检测了。

效果显示：

欢迎交流，QQ：896922782，微信：15058133936

http://blog.csdn.net/zhubenfulovepoem/article/details/12343219