学习OpenCV——SVM

OpenCV开发SVM算法是基于LibSVM软件包开发的，LibSVM是台湾大学林智仁(Lin Chih-Jen)等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。用OpenCV使用SVM算法的大概流程是

1）设置训练样本集

需要两组数据，一组是数据的类别，一组是数据的向量信息。

2）设置SVM参数

利用CvSVMParams类实现类内的成员变量svm_type表示SVM类型：

CvSVM：：C_SVC  C-SVC

CvSVM：：NU_SVC v-SVC

CvSVM：：ONE_CLASS 一类SVM

CvSVM：：EPS_SVR e-SVR

CvSVM：：NU_SVR v-SVR

成员变量kernel_type表示核函数的类型：

CvSVM：：LINEAR 线性：u‘v

CvSVM：：POLY 多项式：(r*u'v + coef0)^degree

CvSVM：：RBF RBF函数：exp(-r|u-v|^2)

CvSVM：：SIGMOID sigmoid函数：tanh(r*u'v + coef0)

成员变量degree针对多项式核函数degree的设置，gamma针对多项式/rbf/sigmoid核函数的设置，coef0针对多项式/sigmoid核函数的设置，Cvalue为损失函数，在C-SVC、e-SVR、v-SVR中有效，nu设置v-SVC、一类SVM和v-SVR参数，p为设置e-SVR中损失函数的值，class_weightsC_SVC的权重，term_crit为SVM训练过程的终止条件。其中默认值degree = 0，gamma = 1，coef0 = 0，Cvalue = 1，nu = 0，p = 0，class_weights = 0

3）训练SVM

调用CvSVM：：train函数建立SVM模型，第一个参数为训练数据，第二个参数为分类结果，最后一个参数即CvSVMParams

4）用这个SVM进行分类

调用函数CvSVM：：predict实现分类

5）获得支持向量

除了分类，也可以得到SVM的支持向量，调用函数CvSVM：：get_support_vector_count获得支持向量的个数，CvSVM：：get_support_vector获得对应的索引编号的支持向量。

实现代码如下：运行步骤

 // step 1:
 float labels[4] = {1.0, -1.0, -1.0, -1.0};
 Mat labelsMat(3, 1, CV_32FC1, labels);

 float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };
 Mat trainingDataMat(3, 2, CV_32FC1, trainingData);

 // step 2:
 CvSVMParams params;
 params.svm_type = CvSVM::C_SVC;
 params.kernel_type = CvSVM::LINEAR;
 params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);

 // step 3:
 CvSVM SVM;
 SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);

 // step 4:
 Vec3b green(0, 255, 0), blue(255, 0, 0);
 for (int i=0; i<image.rows; i++)
 {
     for (int j=0; j<image.cols; j++)
     {
         Mat sampleMat = (Mat_<float>(1,2) << i,j);
         float response = SVM.predict(sampleMat);

         if (fabs(response-1.0) < 0.0001)
         {
             image.at<Vec3b>(j, i) = green;
         }
         else if (fabs(response+1.0) < 0.001)
         {
             image.at<Vec3b>(j, i) = blue;
         }
     }
 }

 // step 5:
 int c = SVM.get_support_vector_count();

 for (int i=0; i<c; i++)
 {
     const float* v = SVM.get_support_vector(i);
 }

 

实验代码1：颜色分类

 //利用SVM解决2维空间向量的3级分类问题
 #include "stdafx.h"
 #include "cv.h"
 #include "highgui.h"
 #include <ML.H>
 #include <TIME.H>

 #include <CTYPE.H>

 #include <IOSTREAM>
 using namespace std;
 int main(int argc, char **argv)
 {
         int size = 400;         //图像的长度和宽度
         const int s = 1000;          //试验点个数（可更改！！）
         int i, j, sv_num;
         IplImage *img;
         CvSVM svm = CvSVM();    //★★★
         CvSVMParams param;
         CvTermCriteria criteria;//停止迭代的标准
         CvRNG rng = cvRNG(time(NULL));
         CvPoint pts[s];         //定义1000个点
         float data[s*2];        //点的坐标
         int res[s];             //点的所属类
         CvMat data_mat, res_mat;
         CvScalar rcolor;
         const float *support;
         // (1)图像区域的确保和初始化
         img= cvCreateImage(cvSize(size, size), IPL_DEPTH_8U, 3);
         cvZero(img);
         //确保画像区域，并清0(用黑色作初始化处理)。

         // (2)学习数据的生成
         for (i= 0; i< s; i++) {
             pts[i].x= cvRandInt(&rng) % size;   //用随机整数赋值
             pts[i].y= cvRandInt(&rng) % size;
             if (pts[i].y> 50 * cos(pts[i].x* CV_PI/ 100) + 200) {
                 cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(255, 0, 0));
                 cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(255, 0, 0));
                 res[i] = 1;
             }
             else {
                 if (pts[i].x> 200) {
                     cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 255, 0));
                     cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 255, 0));
                     res[i] = 2;
                 }
                 else {
                     cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 0, 255));
                     cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 0, 255));
                     res[i] = 3;
                 }
             }
         }
         //生成2维随机训练数据，并将其值放在CvPoint数据类型的数组pts[ ]中。

         // (3)学习数据的显示
         cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE);
         cvShowImage("SVM", img);
         cvWaitKey(0);

         // (4)学习参数的生成
         for (i= 0; i< s; i++) {
             data[i* 2] = float (pts[i].x) / size;
             data[i* 2 + 1] = float (pts[i].y) / size;
         }
         cvInitMatHeader(&data_mat, s, 2, CV_32FC1, data);
         cvInitMatHeader(&res_mat, s, 1, CV_32SC1, res);
         criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON);
         param= CvSVMParams (CvSVM::C_SVC, CvSVM::RBF, 10.0, 8.0, 1.0, 10.0, 0.5, 0.1, 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。
                                                                 */


         //☆☆☆☆☆☆☆☆☆(5)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☆☆☆☆

         // (6)学习结果的绘图
         for (i= 0; i< size; i++) {
             for (j= 0; j< size; j++) {
                 CvMat m;
                 float ret = 0.0;
                 float a[] = { float (j) / size, float (i) / size };
                 cvInitMatHeader(&m, 1, 2, CV_32FC1, a);
                 ret= svm.predict(&m);
                 switch ((int) ret) {
                     case 1:
                         rcolor= CV_RGB(100, 0, 0);
                         break;
                     case 2:
                         rcolor= CV_RGB(0, 100, 0);
                         break;
                     case 3:
                         rcolor= CV_RGB(0, 0, 100);
                         break;
                 }
                 cvSet2D(img, i, j, rcolor);
             }
         }
         //为了显示学习结果，通过输入图像区域的所有像素(特征向量)并进行分类。然后对输入像素用所属等级的颜色绘图。

         // (7)训练数据的再绘制
         for (i= 0; i< s; i++) {
             CvScalar rcolor;
             switch (res[i]) {
                 case 1:
                     rcolor= CV_RGB(255, 0, 0);
                     break;
                 case 2:
                     rcolor= CV_RGB(0, 255, 0);
                     break;
                 case 3:
                     rcolor= CV_RGB(0, 0, 255);
                     break;
             }
             cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), rcolor);
             cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), rcolor);
         }
         //将训练数据在结果图像上重复的绘制出来。

         // (8)支持向量的绘制
         sv_num= svm.get_support_vector_count();
         for (i= 0; i< sv_num; i++) {
             support = svm.get_support_vector(i);
             cvCircle(img, cvPoint((int) (support[0] * size), (int) (support[1] * size)), 5, CV_RGB(200, 200, 200));
         }
         //用白色的圆圈对支持向量作标记。

         // (9)图像的显示
         cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE);
         cvShowImage("SVM", img);
         cvWaitKey(0);
         cvDestroyWindow("SVM");
         cvReleaseImage(&img);
         return 0;
         //显示实际处理结果的图像，直到某个键被按下为止。
     }

实验代码2：用MIT人脸库检测，效果实在不好，检测结果全是人脸或者全都不是人脸。原因应该是图像检测没有做好应该用HoG等特征首先检测，在进行分类训练，不特征不明显，肯定分类效果并不好。

 //////////////////////////////////////////////////////////////////////////
 // File Name: pjSVM.cpp
 // Author:   easyfov([email protected])
 // Company: Lida Optical and Electronic Co.,Ltd.
 //http://apps.hi.baidu.com/share/detail/32719017
 //////////////////////////////////////////////////////////////////////////

 #include <cv.h>
 #include <highgui.h>
 #include <ml.h>

 #include <iostream>
 #include <fstream>
 #include <string>
 #include <vector>
 using namespace std;

 #define WIDTH 20
 #define HEIGHT 20

 int main( /*int argc, char** argv*/ )
 {
     vector<string> img_path;
     vector<int> img_catg;
     int nLine = 0;
     string buf;
     ifstream svm_data( "E:/SVM_DATA.txt" );

     while( svm_data )
     {
         if( getline( svm_data, buf ) )
         {
             nLine ++;
             if( nLine % 2 == 0 )
             {
                  img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，标志（0,1）
             }
             else
             {
                 img_path.push_back( buf );//图像路径
             }
         }
     }
     svm_data.close();//关闭文件

     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, WIDTH * HEIGHT, 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 );

     IplImage *srcImg, *sampleImg;
     float b;
     DWORD n;

     for( string::size_type i = 0; i != img_path.size(); i++ )
     {
        srcImg = cvLoadImage( img_path[i].c_str(), CV_LOAD_IMAGE_GRAYSCALE );
        if( srcImg == NULL )
        {
             cout<<" can not load the image: "<<img_path[i].c_str()<<endl;
             continue;
        }

        cout<<" processing "<<img_path[i].c_str()<<endl;

        sampleImg = cvCreateImage( cvSize( WIDTH, HEIGHT ), IPL_DEPTH_8U, 1 );//样本大小（WIDTH, HEIGHT）
        cvResize( srcImg, sampleImg );//改变图像大小

        cvSmooth( sampleImg, sampleImg );    //降噪
        //生成训练数据
        n = 0;
         for( int ii = 0; ii < sampleImg->height; ii++ )
         {
             for( int jj = 0; jj < sampleImg->width; jj++, n++ )
             {
                  b = (float)((int)((uchar)( sampleImg->imageData + sampleImg->widthStep * ii + jj )) / 255.0 );
                  cvmSet( data_mat, (int)i, n, b );
             }
         }
         cvmSet( res_mat, i, 0, img_catg[i] );
         cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
     }


     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。
                                                                 */
     //☆☆☆☆☆☆☆☆☆(5)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_DATA.xml" );


     //检测样本
     IplImage *tst, *tst_tmp;
     vector<string> img_tst_path;
     ifstream img_tst( "E:/SVM_TEST.txt" );
     while( img_tst )
     {
         if( getline( img_tst, buf ) )
         {
             img_tst_path.push_back( buf );
         }
     }
     img_tst.close();

     CvMat *tst_mat = cvCreateMat( 1, WIDTH*HEIGHT, CV_32FC1 );
     char line[512];
     ofstream predict_txt( "SVM_PREDICT.txt" );
     for( string::size_type j = 0; j != img_tst_path.size(); j++ )
     {
         tst = cvLoadImage( img_tst_path[j].c_str(), CV_LOAD_IMAGE_GRAYSCALE );
         if( tst == NULL )
         {
              cout<<" can not load the image: "<<img_tst_path[j].c_str()<<endl;
                continue;
    }
    tst_tmp = cvCreateImage( cvSize( WIDTH, HEIGHT ), IPL_DEPTH_8U, 1 );
    cvResize( tst, tst_tmp );
    cvSmooth( tst_tmp, tst_tmp );
    n = 0;
    for(int ii = 0; ii < tst_tmp->height; ii++ )
    {
      for(int jj = 0; jj < tst_tmp->width; jj++, n++ )
      {
          b = (float)(((int)((uchar)tst_tmp->imageData+tst_tmp->widthStep*ii+jj))/255.0);
          cvmSet( tst_mat, 0, n, (double)b );
      }
    }

    int ret = svm.predict( tst_mat );
    sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret );
    predict_txt<<line;
 }
 predict_txt.close();

 cvReleaseImage( &srcImg );
 cvReleaseImage( &sampleImg );
 cvReleaseImage( &tst );
 cvReleaseImage( &tst_tmp );
 cvReleaseMat( &data_mat );
 cvReleaseMat( &res_mat );

 return 0;
 }

其中

G:/program/pjSVM/face/1.png
0
G:/program/pjSVM/face/2.png
0
G:/program/pjSVM/face/3.png
0
G:/program/pjSVM/face/4.png
0
G:/program/pjSVM/face/5.png
0
G:/program/pjSVM/face/6.png
0
G:/program/pjSVM/face/7.png
0
G:/program/pjSVM/face/8.png
0
G:/program/pjSVM/face/9.png
0
G:/program/pjSVM/face/10.png
0
G:/program/pjSVM/face/11.png
0
G:/program/pjSVM/face/12.png
0
G:/program/pjSVM/face/13.png
0
G:/program/pjSVM/face/14.png
0
G:/program/pjSVM/face/15.png
1
G:/program/pjSVM/face/16.png
1
G:/program/pjSVM/face/17.png
1
G:/program/pjSVM/face/18.png
1
G:/program/pjSVM/face/19.png
1
G:/program/pjSVM/face/20.png
1
G:/program/pjSVM/face/21.png
1
G:/program/pjSVM/face/22.png
1
G:/program/pjSVM/face/23.png
1
G:/program/pjSVM/face/24.png
1
G:/program/pjSVM/face/25.png
1
G:/program/pjSVM/face/26.png
1
G:/program/pjSVM/face/27.png
1
G:/program/pjSVM/face/28.png
1
G:/program/pjSVM/face/29.png
1
G:/program/pjSVM/face/30.png

1

SVM_TEST.txt中内容如下：

G:/program/pjSVM/try_face/5.png
G:/program/pjSVM/try_face/9.png
G:/program/pjSVM/try_face/11.png
G:/program/pjSVM/try_face/15.png
G:/program/pjSVM/try_face/2.png
G:/program/pjSVM/try_face/30.png
G:/program/pjSVM/try_face/17.png
G:/program/pjSVM/try_face/21.png
G:/program/pjSVM/try_face/24.png
G:/program/pjSVM/try_face/27.png

PS：txt操作简单方式：http://blog.csdn.net/lytwell/article/details/6029503