使用UIUC数据集进行汽车检测

 第一步骤：下载数据集：https://pan.baidu.com/s/1tk10m8fh_7_MT4NJ29my4g   密码:wdzr

第二步骤：编写代码，如下：

import cv2
import numpy as np
from os.path import join


datapath = "/home/utryjc/Pictures/TrainImages"
def path(cls, i):
    return "%s/%s%d.pgm" % (datapath, cls, i+1)

pos, neg = "pos-", "neg-"
detect = cv2.xfeatures2d.SIFT_create()
extract = cv2.xfeatures2d.SIFT_create()

flann_params = dict(algorithm=1, tree=5)
flann = cv2.FlannBasedMatcher(flann_params, {})

bow_kmeans_trainer = cv2.BOWKMeansTrainer(40)
extract_bow = cv2.BOWImgDescriptorExtractor(extract, flann)

def extract_sift(fn):
    im = cv2.imread(fn, 0)
    return extract.compute(im, detect.detect(im))[1]

for i in range(8):
    bow_kmeans_trainer.add(extract_sift(path(pos, i)))
    bow_kmeans_trainer.add(extract_sift(path(neg, i)))

voc = bow_kmeans_trainer.cluster()
extract_bow.setVocabulary(voc)



def bow_feature(fn):
    im = cv2.imread(fn, 0)
    return extract_bow.compute(im, detect.detect(im))

traindata, trainlabels = [], []

for i in range(20):
    traindata.extend(bow_feature(path(pos, i)))
    trainlabels.append(1)
    traindata.extend(bow_feature(path(neg, i)))
    trainlabels.append(-1)


svm = cv2.ml.SVM_create()
svm.train(np.array(traindata), cv2.ml.ROW_SAMPLE, np.array(trainlabels))

def predict(fn):
    f = bow_feature(fn)
    p = svm.predict(f)
    print fn, "\t", p[1][0][0]
    return p

car, notcar = "/home/utryjc/Pictures/car5.jpeg", "/home/utryjc/Pictures/person2.jpeg"
car_img = cv2.imread(car)
notcar_img = cv2.imread(notcar)
car_predict = predict(car)
not_car_predict = predict(notcar)

font = cv2.FONT_HERSHEY_COMPLEX

if (car_predict[1][0][0] == 1.0):
    cv2.putText(car_img, 'Car_Detected', (10, 30), font, 1, (0, 255, 0), 2, cv2.LINE_AA)

if (not_car_predict[1][0][0] == -1.0):
    cv2.putText(notcar_img, 'CAR NOT DETECTED', (10, 30), font, 1, (0, 0, 255), 2, cv2.LINE_AA)

cv2.imshow('BOW + SVM Success', car_img)
cv2.imshow('BOW + SVM Failture', notcar_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

程序理解： （本人认为该分类主要还是利用了支持向量机的算法来实现）

其结果，仅仅是检查出图片中是否有汽车。比较关键的部分

（1）创建两个SIFT实例，一个提取关键点，一个提取特征

detect = cv2.xfeatures2d.SIFT_create()
extract = cv2.xfeatures2d.SIFT_create()

（2）创建FLANN的匹配算法，第一个参数是选择算法，第二个参数为迭代次数

flann_params = dict(algorithm = 1, trees = 5)

flann = cv2.FlannBasedMatcher(flann_params, {})

（3）创建词带训练器，指定簇数为40

bow_kmeans_trainer = cv2.BOWKMeansTrainer(40)

（4）视觉的词汇将作为词带的类，调用BOWImgDescriptorExtractor方法返回描述符

extract_bow = cv2.BOWImgDescriptorExtractor(extract, flann)

（5）以灰度格式获取图像并提取图像的特征

def extract_sift(fn):
    im = cv2.imread(fn, 0)
    return extract.compute(im, detect.detect(im))[1]

（6）每个类从训练集中读取8张图片

for i in range(8):
    bow_kmeans_trainer.add(extract_sift(path(pos, i)))
    bow_kmeans_trainer.add(extract_sift(path(neg, i)))

（7）调用cluster函数并执行K-mean分类,主要是为了创建单词词汇

voc = bow_kmeans_trainer.cluster()

extract_bow.setVocabulary( voc )

（8）读取图片，返回基于磁带描述符提取器计算得到的描述符

def bow_feature(fn):
    im = cv2.imread(fn, 0)
    return extract_bow.compute(im, detect.detect(im))

（9）创建两个数组，分别对应训练数据和标签，并用分类器的标签填充他们，并生成相应的正负样本的标签

traindata, trainlabels = [], []

for i in range(20):
    traindata.extend(bow_feature(path(pos, i)))
    trainlabels.append(1)
    traindata.extend(bow_feature(path(neg, i)))
    trainlabels.append(-1)

（10）创建支持向量机的实例，通过将训练数据和表情按放到Numpy数组中进行训练

svm = cv2.ml.SVM_create()

svm.train(np.array(traindata), cv2.ml.ROW_SAMPLE, np.array(trainlabels))

（11）定义函数来显示预测的结果

def predict(fn):

f = bow_features(fn);  #提取描述符

p = svm.predict(f)   #根据描述符进行预测

print(fn, "\t", p[1][0][0])

return p

（12）定义两个样本的路径，并将路径中的文件读取出来梵高Numpy数组中，将这些图片传给训练好的SVM，并预测结果

car, notcar = "/home/utryjc/Pictures/car5.jpeg", "/home/utryjc/Pictures/person2.jpeg"
car_img = cv2.imread(car)
notcar_img = cv2.imread(notcar)
car_predict = predict(car)
not_car_predict = predict(notcar)

（13）最后在屏幕上显示预测的结果

font = cv2.FONT_HERSHEY_COMPLEX

if (car_predict[1][0][0] == 1.0):
    cv2.putText(car_img, 'Car_Detected', (10, 30), font, 1, (0, 255, 0), 2, cv2.LINE_AA)

if (not_car_predict[1][0][0] == -1.0):
    cv2.putText(notcar_img, 'CAR NOT DETECTED', (10, 30), font, 1, (0, 0, 255), 2, cv2.LINE_AA)

 

 实验效果如下：