py4CV例子2汽车检测和svm算法

jsxyhelu 2024-10-11 00:10:17 原文

1、什么是汽车检测数据集；

)

pos, neg = , )

matcher = cv2.FlannBasedMatcher(flann_params, {})

bow_kmeans_trainer = cv2.BOWKMeansTrainer()

)

]

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 )

)

traindata.extend(bow_features(path(pos, i))); trainlabels.append()

traindata.extend(bow_features(path(neg, i))); trainlabels.append(-)

][][])

][][] == ,), font, ,(,,),,cv2.LINE_AA)

][][] == -,), font, ,(,, ),,cv2.LINE_AA)

cv2.imshow()

cv2.destroyAllWindows()

其结果，仅仅是检查出图片中是否有汽车。比较关键的部分

flann_params = , )

matcher = cv2.FlannBasedMatcher(flann_params, {})

创建基于flann的匹配器

bow_kmeans_trainer = cv2.BOWKMeansTrainer()

创建bow训练器

)

]

以灰度方式读取图像，提取sift,并返回结果

bow_kmeans_trainer.add(extract_sift(path(pos,i)))

bow_kmeans_trainer.add(extract_sift(path(neg,i)))

为模型输入正负样本

voc = bow_kmeans_trainer.cluster()

extract_bow.setVocabulary( voc )

cluster函数，执行k-means分类，并且返回词汇。进一步制定extract_bow提取描述符

)

traindata.extend(bow_features(path(pos, i))); trainlabels.append()

traindata.extend(bow_features(path(neg, i))); trainlabels.append(-)

创建2个数组，生成svm模型所需正负样本标签

svm = cv2.ml.SVM_create()

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

创建并训练一个svm模型

][][])

)

]==)

)

]

all_label_list = temp[:, ]

n_sample = , )

matcher = cv2.FlannBasedMatcher(flann_params, {})

)

extract_bow = cv2.BOWImgDescriptorExtractor(extract, matcher)

)

]

bow_kmeans_trainer.add(extract_sift(path(pos,i)))

bow_kmeans_trainer.add(extract_sift(path(neg,i)))

)

][][])

np_val_labels = np.array(val_labels)[:,np.newaxis]

np_result = np.array(result)[:,np.newaxis]

matches = np_result == np_val_labels

correct = np.count_nonzero(matches)

accuracy = correct*][][] == ,), font, ,(,,),,cv2.LINE_AA)

][][] == -,), font, ,(,, ),,cv2.LINE_AA)

cv2.imshow()

cv2.destroyAllWindows()

对数据集进行交叉检验，在20/80的比率下，成功识别率为

数据集中有 549 pos

以及 499 neg

84.90566037735849

E:/sandbox/car3.jpg -1.0

E:/sandbox/car4.jpg -1.0

4、多个汽车和滑动窗口检测

该应用的执行过程如下：

1、获取数据集

2、创建BOW训练器并且获得视觉词汇

3、采用词汇训练svm

4、尝试对测试图像的金字塔采用滑动窗口进行检测

5、对重叠的矩形采用“非最大抑制”，进行过滤

6、得到结果。

各个函数如下

] * ( / scaleFactor)), ] * ( / scaleFactor))), , )):

] < minSize[] ] < minSize[]:

, image.shape[], step):

], x:x + window_size[]])

同样采用yield的方法，获得滑动窗口数据

]

y1 = boxes[:,]

x2 = boxes[:,]

y2 = boxes[:,]

scores = boxes[:,]

) * (y2 - y1 + )

idxs = np.argsort(scores)[::-]

i = idxs[last]

pick.append(i)

, xx2 - xx1 + )

h = np.maximum(, yy2 - yy1 + )

])))

)

获得系列路径下地址

, )

)

]

及其计算值

)

, )

)

]

)

extract_bow = cv2.BOWImgDescriptorExtractor(extract, matcher)

), extract_bow, detect))

trainlabels.append()

traindata.extend(bow_features(cv2.imread(path(neg, i), ), extract_bow, detect))

trainlabels.append(-)

svm = cv2.ml.SVM_create()

svm.setType(cv2.ml.SVM_C_SVC)

svm.setGamma()

svm.setC(),

img = cv2.imread(img_path)

rectangles = []

counter =

scaleFactor =

font = cv2.FONT_HERSHEY_PLAIN

]) / ])

, (, )):] != w ] != h:

][], res[][], res))

score = res[][]

][] == :

windows = np.array(rectangles)

, , ), )

cv2.putText(img, , (, , ))

cv2.imshow()

小结和启示：

1、python作为这个时代的语言，的确是非常适合机器学习和图像处理应用层算法的编写的；

2、svm作为一种已经发展很长世间的算法，90左右应该已经是它的瓶颈，即使存在sift+bow的特征提取方式；

3、再想提高，尽快进入mlp和cnn乃至dl的境地；

4、挖掘发现机器学习的现实应用场景，是除了掌握机器学习方法以外，最难也是最有意义的一件事情。

5、今日是学习时间机器学习的最好时间，时不我们待。

感谢阅读至此，希望有所帮助。

来自为知笔记(Wiz)

附件列表

py4CV例子2汽车检测和svm算法的更多相关文章

转载：scikit-learn学习之SVM算法
转载,http://blog.csdn.net/gamer_gyt 目录(?)[+] ========================================================= ...
Machine Learning in Action(5) SVM算法
做机器学习的一定对支持向量机(support vector machine-SVM)颇为熟悉,因为在深度学习出现之前,SVM一直霸占着机器学习老大哥的位子.他的理论很优美,各种变种改进版本也很多,比如 ...
【转】 SVM算法入门
课程文本分类project SVM算法入门转自:http://www.blogjava.net/zhenandaci/category/31868.html (一)SVM的简介支持向量机(Supp ...
SVM算法入门
转自:http://blog.csdn.net/yangliuy/article/details/7316496SVM入门(一)至(三)Refresh 按:之前的文章重新汇编一下,修改了一些错误和不当 ...
SVM算法简单应用
第一部分:线性可分通俗解释:可以用一条直线将两类分隔开来一个简单的例子,直角坐标系中有三个点,A,B点为0类,C点为1类: from sklearn import svm # 三个点 x = [[ ...
一步步教你轻松学支持向量机SVM算法之案例篇2
一步步教你轻松学支持向量机SVM算法之案例篇2 (白宁超 2018年10月22日10:09:07) 摘要:支持向量机即SVM(Support Vector Machine) ,是一种监督学习算法,属于 ...
一步步教你轻松学支持向量机SVM算法之理论篇1
一步步教你轻松学支持向量机SVM算法之理论篇1 (白宁超 2018年10月22日10:03:35) 摘要:支持向量机即SVM(Support Vector Machine) ,是一种监督学习算法,属于 ...
程序员训练机器学习 SVM算法分享
http://www.csdn.net/article/2012-12-28/2813275-Support-Vector-Machine 摘要:支持向量机(SVM)已经成为一种非常受欢迎的算法.本文 ...
svm算法最通俗易懂讲解
最近在学习svm算法,借此文章记录自己的学习过程,在学习很多处借鉴了z老师的讲义和李航的统计,若有不足的地方,请海涵:svm算法通俗的理解在二维上,就是找一分割线把两类分开,问题是如下图三条颜色都可以 ...

随机推荐

4.C#虚方法virtual详解
C#虚方法virtual详解在C++.Java等众多OOP语言里都可以看到virtual的身影,而C#作为一个完全面向对象的语言当然也不例外. 虚拟函数从C#的程序编译的角度来看,它和其它一般的函数 ...
cocos2d-x getParent() 获得一个父类的一个node型指针，转换为父类类型
void CenterLayer::zhanzheng(CCObject* pSender){ ((GameScene*)this->getParent())->showLayer(Gam ...
iOS - (多图上传已封装)
/*** 上传带图片的内容,允许多张图片上传(URL)POST** @param url 网络请求地址* @param images ...
jenkins构建多个项目执行顺序设置
通常我们会在jenkins中构建多个项目,那么如果项目有依赖,或者有关联怎么办? 例: 如下图: ,有两个构建项目,posWeb是个web项目,welife是接口项目. 由于接口项目数据会影响pos ...
System.Web.HttpException (0x80004005): 验证视图状态 MAC 失败。如果此应用程序由网络场或群集承载，请确保 <machineKey> 配置指定了相同的 validationKey 和验证算法。不能在群集中使用 AutoGenerate。
异常描述: Global.asax捕获到异常:System.Web.HttpException (0x80004005): 验证视图状态 MAC 失败.如果此应用程序由网络场或群集承载,请确保 < ...
Linux 服务器配置网站以及绑定域名
Linux 服务器如何配置网站以及绑定域名转载来源:http://www.xinnet.com/service/cjwt/idc/guanli/1424.html 以下列举一些主机上常见的 Web ...
html5-output的用法
<!DOCTYPE html><html lang="en"><head> <meta charset="UTF-8&qu ...
JavaScript--Document对象方法createElement()和createTextNode()
createElement() 方法通过指定名称创建一个元素 createTextNode() 可创建文本节点 <!DOCTYPE html> <html> <head& ...
复习loadRunner参数化
参数化: 为什么要用参数化? 如果是单一数据,那么会纯测试缓存. 如果是参数化,基本上大部分数据不会被缓存命中. 极端情况:所有的数据都不会被缓存命中,或者少量命中. 在loadrunner中,所有的 ...
转：C#串口编程
本文用来简单介绍一下C#串口编程的知识,主要以实例为内容. 凡是串口设备和计算机交互的时候都用到串口,在C#中我们如何来操作串口呢? 大话串口工作原理实际串口是用来和外部设备进行交换数据的,我抽象出 ...

py4CV例子2汽车检测和svm算法

附件列表

py4CV例子2汽车检测和svm算法的更多相关文章

随机推荐

热门专题