#1，概念
在机器学习领域，支持向量机SVM(Support Vector Machine)是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。
SVM的主要思想可以概括为两点：⑴它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；
方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。
#2，代码和输入文件截图
1 #include <iostream> 2 #include <fstream> 3 #include <string> 4 #include <vector> 5 #include <stdlib.h> 6 #include <tchar.h> 7 #include <windows.h> 8 9 #include <opencv2/core/core.hpp> 10 #include <opencv2/ml/ml.hpp> 11 #include <opencv2/highgui/highgui.hpp> 12 #include <opencv2/objdetect/objdetect.hpp> 13 #include <opencv2/imgproc/imgproc.hpp> 14 15 using namespace cv; 16 using namespace std; 17 18 int getfilepath(string txtpath,vector<string>& img_path, vector<int>& roi_sample_class, vector<vector<Rect > >& roi_sample_rect); 19 20 int main(int argc, char** argv) { 21 //winSize窗口大小 22 int ImgWidht = 48; 23 int ImgHeight = 48; 24 25 //Sample总数 26 int num_sample_roi=0; 27 28 //图片路径，每张图片中的sample类别和每个sample的rect参数 29 vector<string> img_path; 30 vector<int> roi_sample_class; 31 vector<vector<Rect > > roi_sample_rect; 32 33 //标记文件txt名称和路径 34 string filepath = "E:/svm/"; 35 string txtpath = string(filepath) + "TrainingData.txt"; 36 37 //获得图片路径，sample类别，每个sample的rect参数，返回Sample总数(ROI总数) 38 num_sample_roi=getfilepath(txtpath, img_path, roi_sample_class, roi_sample_rect); 39 40 //测试img_path, roi_sample_class, roi_sample_rect 41 //cout << "img_path[0]= " << img_path[0] << " img_path[50]= " << img_path[50] << endl; 42 //cout << "roi_sample_class[0]= " << roi_sample_class[0] << " roi_sample_class[150]= " << roi_sample_class[150] << endl; 43 //cout << "roi_sample_rect[0][0]= " << roi_sample_rect[0][0] << endl; 44 //system("Pause"); 45 46 //HOG特征矩阵，sample类别矩阵 47 //cout << "num_sample_roi= " << num_sample_roi << endl; 48 //system("Pause"); 49 Mat sample_feature_mat(num_sample_roi, 900, CV_32FC1);//900=(win_height/8-1)*(win_width/8-1)*(2*2)*9; 50 Mat sample_class_mat(num_sample_roi, 1, CV_32SC1); //样本类别 51 52 //原图片和训练图片 53 Mat orig_img; 54 Mat train_img; //= Mat::zeros(ImgWidht, ImgHeight, CV_8UC3);//需要分析的图片 55 56 //sample指示子 57 unsigned long n_sample = 0; 58 59 //对图片循环 60 for( string::size_type i = 0; i != img_path.size(); i++ ) 61 { 62 orig_img = imread(img_path[i].c_str(), 1); 63 if(orig_img.empty()){ 64 cout<<"Can not load the image: "<<img_path[i]<<endl; 65 continue; 66 } 67 68 //端口的提示信息 69 cout<<"***processing***"<<img_path[i].c_str()<<endl; 70 71 //每个sample都要计算hog特征 72 for (size_t j = 0; j != roi_sample_rect[i].size(); j++){ 73 //取ROI，归一化 74 Mat handle_src=orig_img(roi_sample_rect[i][j]); 75 resize(handle_src, train_img, Size(ImgWidht, ImgHeight)); 76 77 //申明描述子，每个参数的含义见笔记 78 HOGDescriptor hog(Size(ImgWidht,ImgHeight),Size(16,16),Size(8,8),Size(8,8), 9); 79 80 //描述子申请内存并计算 81 vector<float> descriptors; 82 hog.compute(train_img, descriptors); 83 84 //为当前sample的所有hog descriptor申请内存 85 //sample_feature_mat[n_sample].resize(descriptors.size(),CV_32FC1); 86 87 //输出hog特征个数 88 //cout<<"HOG dims: "<<descriptors.size()<<endl; 89 90 //每个sample的hog特征个数 91 for (vector<float>::size_type k = 0; k != descriptors.size(); k++) 92 sample_feature_mat.at<float>(n_sample, k) = descriptors[k]; 93 94 //int num_class=i/100; 95 sample_class_mat.at<int>(n_sample, 0) = roi_sample_class[i]; 96 cout<<"***end processing***"<<img_path[i].c_str()<<" "<<roi_sample_class[i]<<endl; 97 98 n_sample++; 99 } 100 101 } 102 103 //SVM参数 104 Ptr<ml::SVM> svm = ml::SVM::create(); 105 svm->setType(ml::SVM::C_SVC); 106 svm->setKernel(ml::SVM::RBF); 107 svm->setTermCriteria(TermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON)); 108 109 //SVM训练 110 svm->train(sample_feature_mat, ml::ROW_SAMPLE, sample_class_mat); 111 svm->save( filepath+"SVM_DATA.xml" ); 112 113 system("Pause"); 114 return 0; 115 } 116 117 118 int getfilepath(string txtpath,vector<string>& img_path, vector<int>& roi_sample_class, vector<vector<Rect > >& roi_sample_rect){ 119 int nLine = 0; //图片计数器，每个类别100张图片。 120 int numroi=0; //sample计数器，总的roi个数 121 122 ifstream svm_data( txtpath ); 123 char output[1000]; 124 125 while( !svm_data.eof() ) { 126 svm_data >> output;//是不是>>遇见空格会自动截断？ 127 string s0= string(output); 128 if( s0.length()>10 ){ 129 if( nLine < 100 ){ 130 roi_sample_class.push_back(0); 131 132 size_t bufname=s0.find(" "); 133 string bufname1 = s0.substr(0, bufname); 134 img_path.push_back( bufname1 ); 135 136 vector<Rect> obj_list; 137 svm_data >> output; 138 int obj_num=atoi(output); 139 140 numroi=numroi+obj_num; 141 int obj[4]; 142 for(int i=0; i<obj_num;i++) 143 { 144 for(int j=0;j<4;j++) 145 { 146 svm_data >> output; 147 int p=atoi(output); 148 obj[j]=p; 149 } 150 Rect tmp_obj=Rect(obj[0],obj[1],obj[2],obj[3]); 151 obj_list.push_back(tmp_obj); 152 } 153 roi_sample_rect.push_back(obj_list); 154 } 155 else if( nLine < 200 ){ 156 roi_sample_class.push_back(1); 157 size_t bufname=s0.find(" "); 158 string bufname1 = s0.substr(0, bufname); 159 img_path.push_back( bufname1 ); 160 161 vector<Rect> obj_list; 162 svm_data>>output; 163 int obj_num=atoi(output); 164 165 numroi=numroi+obj_num; 166 int obj[4]; 167 for(int i=0; i<obj_num;i++) 168 { 169 for(int j=0;j<4;j++) 170 { 171 svm_data >> output; 172 int p=atoi(output); 173 obj[j]=p; 174 } 175 Rect tmp_obj=Rect(obj[0],obj[1],obj[2],obj[3]); 176 obj_list.push_back(tmp_obj); 177 } 178 roi_sample_rect.push_back(obj_list); 179 } 180 else if( nLine < 300 ){ 181 roi_sample_class.push_back(2); 182 size_t bufname=s0.find(" "); 183 string bufname1 = s0.substr(0, bufname); 184 img_path.push_back( bufname1 ); 185 186 vector<Rect> obj_list; 187 svm_data>>output; 188 int obj_num=atoi(output); 189 190 numroi=numroi+obj_num; 191 int obj[4]; 192 for(int i=0; i<obj_num;i++) 193 { 194 for(int j=0;j<4;j++) 195 { 196 svm_data >> output; 197 int p=atoi(output); 198 obj[j]=p; 199 } 200 Rect tmp_obj=Rect(obj[0],obj[1],obj[2],obj[3]); 201 obj_list.push_back(tmp_obj); 202 } 203 roi_sample_rect.push_back(obj_list); 204 } 205 else{//(nLine < 400) 206 roi_sample_class.push_back(3); 207 size_t bufname=s0.find(" "); 208 string bufname1 = s0.substr(0, bufname); 209 img_path.push_back( bufname1 ); 210 211 vector<Rect> obj_list; 212 svm_data>>output; 213 int obj_num=atoi(output); 214 215 numroi=numroi+obj_num; 216 int obj[4]; 217 for(int i=0; i<obj_num;i++) 218 { 219 for(int j=0;j<4;j++) 220 { 221 svm_data >> output; 222 int p=atoi(output); 223 obj[j]=p; 224 } 225 Rect tmp_obj=Rect(obj[0],obj[1],obj[2],obj[3]); 226 obj_list.push_back(tmp_obj); 227 } 228 roi_sample_rect.push_back(obj_list); 229 } 230 nLine ++; //计数 231 } 232 } 233 234 svm_data.close(); 235 //cout << "numroi= " << numroi<< endl; 236 return numroi; 237 }
我的输入文件格式：
得到的分类器xml文件和输入的数据文件TrainingData.txt是放在同一个文件夹下：
图片源文件是给的绝对目录，看代码就知道了。