關(guān)于訓(xùn)練程序我封裝了一份，大家可以參考一下

http://download.csdn.net/detail/xidianzhimeng/8270413

樣本的配置與OpenCV訓(xùn)練Adaboost的類似，相信訓(xùn)練過Adaboost的同學(xué)能很快入手的。

行人訓(xùn)練：http://www.tuicool.com/articles/MvYfui

字符識別：http://www.haogongju.net/art/2328003

用OpenCV使用HOG特征進(jìn)行SVM算法訓(xùn)練的大概流程是?

1）設(shè)置訓(xùn)練樣本集

需要兩組數(shù)據(jù)，一組是數(shù)據(jù)的類別，一組是數(shù)據(jù)的向量信息。

2）設(shè)置SVM參數(shù)，參考《機(jī)器模式->libSVM之參數(shù)說明》

注意必須使用線性SVM進(jìn)行訓(xùn)練，因?yàn)镠ogDescriptor檢測函數(shù)只支持線性檢測！！！

3）使用HOGDescriptor計(jì)算hog特征

4）訓(xùn)練SVM

調(diào)用CvSVM：：train函數(shù)建立SVM模型，第一個參數(shù)為訓(xùn)練數(shù)據(jù)，第二個參數(shù)為分類結(jié)果，最后一個參數(shù)即CvSVMParams

5）用這個SVM進(jìn)行分類

調(diào)用函數(shù)CvSVM：：predict實(shí)現(xiàn)分類，可以采用窮舉的方法訓(xùn)練HardExample

6）獲得支持向量

調(diào)用函數(shù)CvSVM：：get_support_vector_count獲得支持向量的個數(shù)，CvSVM：：get_support_vector獲得對應(yīng)的索引編號的支持向量。

7）保存支持向量與alpha、rho? ?

? ? SVM訓(xùn)練完成后得到的XML文件里面，有一個數(shù)組，叫做support vector，還有一個數(shù)組，叫做alpha,有一個浮點(diǎn)數(shù)，叫做rho;

? ? 將alpha矩陣同support vector相乘，注意，alpha*supportVector,將得到一個列向量，將該向量前面乘以-1。之后，再該列向量的最后添加一個元素rho。

? ? 如此，變得到了一個分類器，利用該分類器，直接替換opencv中行人檢測默認(rèn)的那個分類器（cv::HOGDescriptor::setSVMDetector()），

? ? int supportVectorNum = svm_train->get_support_vector_count();

? ? cout<<"support vector size of SVM : " << supportVectorNum << "\n";

? ? //支持向量矩陣 ?

? ? Mat sv = Mat::zeros(supportVectorNum, fet_num, CV_32FC1);

? ? //alpha向量，長度等于支持向量個數(shù) ?

? ? Mat alp = Mat::zeros(1, supportVectorNum, CV_32FC1);

? ? //alpha向量乘以支持向量矩陣的結(jié)果 ?

? ? Mat re = Mat::zeros(1, fet_num, CV_32FC1);

?

? ? //將支持向量的數(shù)據(jù)復(fù)制到supportVectorMat矩陣中 ?

? ? for(int i=0; i<supportVectorNum; i++) ?

? ? { ??//返回第i個支持向量的數(shù)據(jù)指針 ?

? ? ? ? const float * pSVData = svm_train->get_support_vector(i);

? ? ? ? for(int j=0; j< fet_num; j++) ?

? ? ? ? ? ? sv.at<float>(i,j) = pSVData[j]; ???

? ? } ?

? ? //將alpha向量的數(shù)據(jù)復(fù)制到alphaMat中，返回SVM的決策函數(shù)中的alpha向量 ?

? ? double * pAlphaData = svm_train->get_alpha_vector();

? ? for(int i=0; i<supportVectorNum; i++) ?

? ? ? ? alp.at<float>(0,i) = (float)pAlphaData[i];

? ? //計(jì)算-(alphaMat * supportVectorMat),結(jié)果放到resultMat中，注意因?yàn)閟vm.predict使用的是alpha*sv*another-rho，如果為負(fù)的話則認(rèn)為是正樣本，在HOG的檢測函數(shù)中，使用rho+alpha*sv*another如果為正的話是正樣本，所以需要將后者變?yōu)樨?fù)數(shù)之后保存起來

? ? re = -1 * alp * sv;

? ? // 將乘積保存起來

? ? ofstream ofs(hog_name.c_str(), ios::out);

? ? if (!ofs.is_open())

? ? ? ? cerr << "open file " << hog_name << " failed\n";

? ? for(int i=0; i<fet_num; i++)

? ? ? ? ofs << re.at<float>(0, i) << "\n";

? ? float rho = svm_train->get_rho();

? ? ofs << rho << "\n";

? ? ofs.close();

《新程序員》：云原生和全面數(shù)字化實(shí)踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的OpenCV的HOG+SVM训练程序注意事项的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。