opencv SVM多分类 人脸识别

　　上一篇介绍了OPENCV中SVM的简单使用，以及自带的一个二分类问题。

　　例子中的标签是程序手动写的，输入也是手动加的二维坐标点。　　

　　对于复杂问题就必须使用数据集中的图片进行训练，标签使用TXT文件或程序设置好，下面以 IMM Face Database 中的人脸数据作为示例，

实现人脸的HOG特征提取及SVM识别人脸。

　　数据集参考我的http://www.cnblogs.com/chenzhefan/p/7624811.html；只选取其中5类人，每类5副图片作为训练。

　　提取人脸HOG特征的维数为1764，具体见代码设置。

 void HogSVM()
 {
     int ImgWidht = ;
     int ImgHeight = ;
     vector<string> img_path;
     vector<int> img_catg;
     int nLine = ;
     string buf;
     ifstream svm_data("E:\\vswork\\car3\\train\\train.txt");
     unsigned long n;

     for (int catg = ; catg < ; catg++)
     {
         for (int num = ; num < ; num++)
         {
             if (getline(svm_data, buf))
             {
                 img_catg.push_back(catg);//图像类别
                 img_path.push_back(buf);//图像路径
                 nLine++;
             }
         }

     }

     svm_data.close();//关闭文件  

     Mat data_mat, res_mat;
     int nImgNum = nLine;            //读入样本数量
     //样本矩阵，nImgNum：行数代表样本的数量，每一行就是由一张图片计算得到HOG的特征向量，
     data_mat = Mat::zeros(nImgNum, , CV_32FC1);
     res_mat = Mat::zeros(nImgNum, , CV_32FC1);

     Mat src;
     Mat trainImg = Mat::zeros(ImgHeight, ImgWidht, CV_8UC3);//需要分析的图片  

     for (string::size_type i = ; i != img_path.size(); i++)
     {
         src = imread(img_path[i].c_str(), );

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

         resize(src, trainImg, cv::Size(ImgWidht, ImgHeight), , , INTER_CUBIC);
         HOGDescriptor *hog = new HOGDescriptor(cvSize(ImgWidht, ImgHeight), cvSize(, ), cvSize(, ), cvSize(, ), );  //构造HOG，具体意思见参考文章1,2
         vector<float>descriptors;//结果数组
         hog->compute(trainImg, descriptors, Size(, ), Size(, )); //调用计算函数开始计算
         if (i == )
         {
             data_mat = Mat::zeros(nImgNum, descriptors.size(), CV_32FC1); //根据输入图片大小进行分配空间
         }
         cout << "HOG dims: " << descriptors.size() << endl;
         n = ;
         for (vector<float>::iterator iter = descriptors.begin(); iter != descriptors.end(); iter++)
         {
             data_mat.at<float>(i, n) = *iter;
             n++;
         }
         res_mat.at<float>(i, ) = img_catg[i];
         cout << " end processing " << img_path[i].c_str() << " " << img_catg[i] << endl;
     }

     CvSVM svm;
     CvSVMParams param;
     CvTermCriteria criteria;
     criteria = cvTermCriteria(CV_TERMCRIT_EPS, , FLT_EPSILON);
     param = CvSVMParams(CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria);

     svm.train(data_mat, res_mat, Mat(), Mat(), param);
     svm.save("SVM_DATA.xml");

     return;
 }

上述函数主要完成提取训练图片的HOG特征，并用SVM训练模型，保存为XML文件方便快速使用。

训练结果如图：

训练完成后即可以使用测试图片进行图片识别了：

 void HogSVMPre()
 {
     //检测样本
     vector<string> img_tst_path;
     string buf;
     unsigned long n;
     int ImgWidht = ;
     int ImgHeight = ;
     Mat TestImg = Mat::zeros(ImgHeight, ImgWidht, CV_8UC3);
     ifstream img_tst("E:\\vswork\\car3\\val\\val.txt");
     while (img_tst)
     {
         if (getline(img_tst, buf))
         {
             img_tst_path.push_back(buf);
         }
     }
     img_tst.close();
     CvSVM svm;
     svm.load("SVM_DATA.xml");
     Mat test;
     char line[];
     ofstream predict_txt("SVM_PREDICT.txt");
     for (string::size_type j = ; j != img_tst_path.size(); j++)
     {
         test = imread(img_tst_path[j].c_str(), );//读入图像
         resize(test, TestImg, cv::Size(ImgWidht, ImgHeight), , , INTER_CUBIC);//要搞成同样的大小才可以检测到
         HOGDescriptor *hog = new HOGDescriptor(cvSize(ImgWidht, ImgHeight), cvSize(, ), cvSize(, ), cvSize(, ), );  //窗口大小，块大小，块滑动增量，cell的大小，bins的个数
         vector<float>descriptors;//结果数组
         hog->compute(TestImg, descriptors, Size(, ), Size(, )); //调用计算函数开始计算
         cout << "The Detection Result:" << endl;
         cout << "HOG dims: " << descriptors.size() << endl;
         Mat SVMtrainMat = Mat::zeros(, descriptors.size(), CV_32FC1);
         n = ;
         for (vector<float>::iterator iter = descriptors.begin(); iter != descriptors.end(); iter++)
         {
             SVMtrainMat.at<float>(, n) = *iter;
             n++;
         }

         int ret = svm.predict(SVMtrainMat);
         std::sprintf(line, "%s %d\r\n", img_tst_path[j].c_str(), ret);
         printf("%s %d\r\n", img_tst_path[j].c_str(), ret);//输出预测的结果，ret的值就代表类别
         //getchar();
         predict_txt << line;
     }
     predict_txt.close();
     system("PAUSE");
     return;
 }

预测结果：

小样本图片SVM的识别结果还是很不错的。本文的测试图片较少，也不能说明模型到底有多好，但基于opencv SVM的识别分类流程基本是这样了。

有问题欢迎讨论~