一、前言

本文僅僅演示使用opencv2.4.6中已經定義好的SVM函式實現對車牌區域正負樣本的訓練，然後使用訓練好的SVM模型對測試樣本進行預測。

二、所使用的正負樣本

上圖中圖片檔案的命名是為了方便讀入資料，按ctrl+A全選，按F2即可快捷統一地修改名字，當然用一個txt檔案儲存這些圖片的路徑到時再讀取也是可以的，但這裡就不這麼做了。

       取另外6張圖片作為測試樣本，其中包含3個車牌區域與3個非車牌區域，測試樣本與前面訓練樣本無關係，為另外選取的。存放於目錄F:\SVM_data\testdata

三、程式碼簡介
其實思路很簡單，對於100張正樣本圖和70張負樣本圖片，首先每張圖片都會轉換為1維陣列，該陣列長度為4752（也即144乘33），也即將圖片中所有的畫素點值均作為特徵，當然也可以選取影象的其他特徵值，這樣每張圖片可得到1*4752矩陣，則將所有這些矩陣保存於一個170*4752的訓練矩陣中；其次建立相應標籤矩陣，為170*1大小，前100個數為1.0，後70個數為-1.0，也就是標記出訓練矩陣中資料的正負性。設定好SVM訓練引數，使用CvSVM：：train()函式進行訓練，然後使用訓練得的模型對測試資料進行預測。程式碼如下：

#include "opencv2/core/core.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/ml/ml.hpp"

using namespace cv;

#include <iostream>

int main()
{
	int num = 1;
	char path[90];

	Mat trainningMat; //行數為樣本數170，每個樣本含144*33=4752個數，也即有4752列
	Mat inputImg;
	Mat p;

	//先載入100個正樣本
	while(num < 101)
	{
		sprintf( path ,"F:\\SVM_data\\posdata\\0000 (%d).bmp" , num);
		inputImg = imread(path,-1);
		if (inputImg.empty())
		{
			std::cerr<<"無法載入正樣本！";
			return -1;
		}
		p = inputImg.reshape(1,1);
		p.convertTo(p, CV_32FC1);
		trainningMat.push_back(p);
		num++;
	}
	num = 1;

	//再載入70個負樣本
	while(num < 71)
	{
		sprintf( path ,"F:\\SVM_data\\negdata\\0000 (%d).bmp" , num);
		inputImg = imread(path,-1);
		if (inputImg.empty())
		{
			std::cerr<<"無法載入負樣本！";
			return -1;
		}
		p = inputImg.reshape(1,1);
		p.convertTo(p, CV_32FC1);
		trainningMat.push_back(p);
		num++;
	}

	Mat label(170,1,CV_32FC1);   //與訓練資料相應的標籤,當然在txt中寫資料再讀出來也可以
	for (int i = 0 ;i<label.rows ;++ i)
	{
		if( i < 100)
			label.at<float>(i,0) =  1.0;
		else
			label.at<float>(i,0) =  -1.0;
	}

	CvSVM classifier;
	CvSVMParams SVM_params;
	SVM_params.kernel_type = CvSVM::LINEAR; //使用線性劃分

	classifier.train(trainningMat,label ,Mat(),Mat(),SVM_params); //SVM訓練


	vector<Mat> testdata; //定義測試資料

	num = 1;
	while(num < 4)
	{
		sprintf( path ,"F:\\SVM_data\\testdata\\postest%d.bmp" , num);
		inputImg = imread(path,-1);
		if (inputImg.empty())
		{
			std::cerr<<"無法載入正測試樣本！";
			return -1;
		}
		p = inputImg.reshape(1,1);
		p.convertTo(p, CV_32FC1);
		testdata.push_back(p);
		num++ ;
	}

	num = 1;
	while(num < 4)
	{
		sprintf( path ,"F:\\SVM_data\\testdata\\negtest%d.bmp" , num);
		inputImg = imread(path,-1);
		if (inputImg.empty())
		{
			std::cerr<<"無法載入負測試樣本！";
			return -1;
		}
		p = inputImg.reshape(1,1);
		p.convertTo(p, CV_32FC1);
		testdata.push_back(p);
		num++ ;
	}

	for (int i = 0;i < testdata.size() ; ++i)
	{
	    std::cout<<"測試樣本"<<i+1<<"的測試結果為："
			<<(int)classifier.predict( testdata[i] )<<"\n";
	}

	return  0;
}
 

四、結果分析

       程式執行結果如下：

可從結果看出，前3個測試樣本為正樣本，後3個樣本為負樣本，所訓練的模型可以正確地預測測試樣本是否為車牌區域