opencv——基於SVM的數字識別（2）
阿新 • • 發佈：2019-01-13
上篇文章我們用的特徵是訓練樣本的所有畫素點值，雖然方便但不準確。
這篇文章主要介紹用SVM+HOG特徵對數字進行識別。
詳細請看上篇文章，它們主要區別在於訓練樣本HOG特徵的提取，其他基本一樣，所以我直接附上程式碼。
下面程式碼是opencv3和C++
可以根據自己需要修改訓練樣本類別，數目，尺寸。oss的訓練樣本路徑，src的檢測圖片路徑。
#include <stdio.h> #include <time.h> #include <opencv2/opencv.hpp> #include <opencv/cv.h> #include <iostream> #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/ml/ml.hpp> #include <io.h> //查詢檔案相關函式 using namespace std; using namespace cv; using namespace ml; ostringstream oss;//結合字串和數字 int num = -1; Mat dealimage; Mat src; Mat yangben_gray; Mat yangben_thresh; void feature(Mat dealimage); ////===============================讀取訓練資料===============================//// const int classsum = 10;//訓練圖片共有10類，可修改 const int imagesSum = 500;//每類有500張圖片，可修改 int yangben_data_position = -1; Mat data_mat = Mat(classsum*imagesSum, 8100, CV_32FC1); //data_mat用來儲存所有訓練樣本的HOG特徵，每一列為一副影象的HOG特徵 //每一行為每一幅訓練影象 //必須為CV_32FC1的型別 //行、列、型別；第二個引數，即矩陣的列是由下面的descriptors的大小決定的， //可以由descriptors.size()得到，且對於不同大小的輸入訓練圖片，這個值是不同的 //descriptors為提取到的HOG特徵 int main() { //訓練資料，每一行一個訓練圖片 Mat trainingData; //訓練樣本標籤 Mat labels; //最終的訓練樣本標籤 Mat clas; //最終的訓練資料 Mat traindata; //////////////////////從指定資料夾下提取圖片////////////////// for (int p = 0; p < classsum; p++)//依次提取0到9資料夾中的圖片 { oss << "C:/Users/zhang/Desktop/opencv——例項/小案例/車牌檢測/基於機器學習/模版匹配樣本/"; num += 1;//num從0到9 int label = num; oss << num << "/*.jpg";//圖片名字字尾，oss可以結合數字與字串 string pattern = oss.str();//oss.str()輸出oss字串，並且賦給pattern oss.str("");//每次迴圈後把oss字串清空 vector<Mat> input_images; vector<String> input_images_name; glob(pattern, input_images_name, false); //為false時，僅僅遍歷指定資料夾內符合模式的檔案，當為true時，會同時遍歷指定資料夾的子資料夾 //此時input_images_name存放符合條件的圖片地址 int all_num = input_images_name.size(); //檔案下總共有幾個圖片 //cout << num << ":總共有" << all_num << "個圖片待測試" << endl; for (int i = 0; i < imagesSum; i++)//依次迴圈遍歷每個資料夾中的圖片 { cvtColor(imread(input_images_name[i]), yangben_gray, COLOR_BGR2GRAY);//灰度變換 threshold(yangben_gray, yangben_thresh, 0, 255, THRESH_OTSU);//二值化 //迴圈讀取每張圖片並且依次放在vector<Mat> input_images內 input_images.push_back(yangben_thresh); dealimage = input_images[i]; //選擇了HOG的方式完成特徵提取工作 yangben_data_position += 1;//代表為第幾幅影象 feature(dealimage);//圖片特徵提取 labels.push_back(label);//把每個圖片對應的標籤依次存入 cout << "第" << yangben_data_position << "樣本正在提取HOG特徵" << endl; } } cout << "樣本特徵提取完畢,等待建立SVM模型" << endl; ////===============================建立SVM模型===============================//// // 建立分類器並設定引數 Ptr<SVM> SVM_params = SVM::create(); SVM_params->setType(SVM::C_SVC);//C_SVC用於分類，C_SVR用於迴歸 SVM_params->setKernel(SVM::LINEAR); //LINEAR線性核函式。SIGMOID為高斯核函式 SVM_params->setDegree(0);//核函式中的引數degree,針對多項式核函式; SVM_params->setGamma(1);//核函式中的引數gamma,針對多項式/RBF/SIGMOID核函式; SVM_params->setCoef0(0);//核函式中的引數,針對多項式/SIGMOID核函式； SVM_params->setC(1);//SVM最優問題引數，設定C-SVC，EPS_SVR和NU_SVR的引數； SVM_params->setNu(0);//SVM最優問題引數，設定NU_SVC， ONE_CLASS 和NU_SVR的引數； SVM_params->setP(0);//SVM最優問題引數，設定EPS_SVR 中損失函式p的值. //結束條件，即訓練1000次或者誤差小於0.01結束 SVM_params->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, 0.01)); //訓練資料和標籤的結合 Ptr<TrainData> tData = TrainData::create(data_mat, ROW_SAMPLE, labels); // 訓練分類器 SVM_params->train(tData);//訓練 //儲存模型 SVM_params->save("C:/Users/zhang/Desktop/opencv——例項/小案例/車牌檢測/基於機器學習/字元識別svm.xml"); cout << "訓練好了！！！" << endl; cout << "等待識別" << endl; ////===============================預測部分===============================//// Mat src = imread("C:/Users/zhang/Desktop/opencv——例項/小案例/車牌檢測/基於機器學習/檢測到的車牌字元/字元7.jpg"); cvtColor(src, src, COLOR_BGR2GRAY); threshold(src, src, 0, 255, CV_THRESH_OTSU); imshow("原影象", src); //輸入影象取特徵點 Mat trainTempImg = Mat::zeros(Size(128, 128), CV_8UC1); resize(src, trainTempImg, trainTempImg.size()); HOGDescriptor *hog = new HOGDescriptor(Size(128, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9); vector<float>descriptors;//結果陣列 hog->compute(trainTempImg, descriptors, Size(1, 1), Size(0, 0)); //cout << "HOG描述子向量維數 " << descriptors.size() << endl; Mat SVMtrainMat = Mat(1, descriptors.size(), CV_32FC1); int number1 = descriptors.size(); //將計算好的HOG描述子複製到樣本特徵矩陣SVMtrainMat for (int i = 0; i < number1; i++) { //把一幅影象的HOG描述子向量依次存入data_mat矩陣的同一列 //因為輸入影象只有一個，即SVMtrainMat只有一列，則為0 SVMtrainMat.at<float>(0, i) = descriptors[i]; // n++; } SVMtrainMat.convertTo(SVMtrainMat, CV_32FC1);//更改圖片資料的型別，必要，不然會出錯 int ret = (int)SVM_params->predict(SVMtrainMat);//檢測結果 cout << "識別的數字為：" << ret << endl; waitKey(0); return 0; } void feature(Mat dealimage) { //把訓練樣本放大到128，128。便於HOG提取特徵 Mat trainImg = Mat(Size(128, 128), CV_8UC1); resize(dealimage, trainImg, trainImg.size()); //處理HOG特徵 //檢測視窗(64,128),塊尺寸(16,16),塊步長(8,8),cell尺寸(8,8),直方圖bin個數9 ，需要修改 HOGDescriptor *hog = new HOGDescriptor(Size(128, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9); vector<float>descriptors;//存放結果 為HOG描述子向量 hog->compute(trainImg, descriptors, Size(1, 1), Size(0, 0)); //Hog特徵計算，檢測視窗移動步長(1,1) //cout << "HOG描述子向量維數 : " << descriptors.size() << endl; for (vector<float>::size_type j = 0; j < descriptors.size(); j++) { //把一幅影象的HOG描述子向量依次存入data_mat矩陣的同一列 data_mat.at<float>(yangben_data_position, j) = descriptors[j]; } }
識別結果：
