如何使用Python中的OpenCV 3.0中的HOG功能训练SVM分类器？

Question

我想使用OpenCV 3.x Python绑定训练一个新的头部和肩部HoG分类器。 我的管道是什么，用于提取功能，训练SVM，然后在测试数据库上运行它？

这里似乎有这样一个C ++管道： 基于HOG功能的SVM分类器，用于OpenCV中的“对象检测” ，这里是： https ： //github.com/DaHoC/trainHOG/wiki/trainHOG-Tutorial 。 对于Python，这里有一个如何提取HOG功能集的描述： 从OpenCV + Python获取HOG图像功能？ 。 但是，这仅适用于OpenCV 2.x，因为您无法再使用_winSize和其他此类变量初始化分类器。 此外，这仅用于特征提取，而不是使用新训练的分类器进行训练或检测。

cv2.HOGdescriptor()的输出确实有一个svmDetector参数，但我不知道如何使用它，因为OpenCV 3.x没有附带Python文档，而OpenCV 2.x只在其GPU模块中列出了HoG，甚至虽然有一个CPU实现。

是否有可能看到端到端管道和一些参数的解释？

Answer 1

目前我有同样的问题，我看过OpenCV的以下文件：

使用SVM对手写数据进行OCR

在哪里可以找到答案的一部分：

deskewed = [map(deskew,row) for row in train_cells]
hogdata = [map(hog,row) for row in deskewed]
trainData = np.float32(hogdata).reshape(-1,64)
responses = np.float32(np.repeat(np.arange(10),250)[:,np.newaxis])
svm = cv2.ml.SVM_create()
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setType(cv2.ml.SVM_C_SVC)
svm.setC(2.67)
svm.setGamma(5.383)
svm.train(trainData, cv2.ml.ROW_SAMPLE, responses)
svm.save('svm_data.dat')

那是我正在合作的。 一旦我解决了，我会更新答案。 但此刻我希望它对你有所帮助。

.................................................. ..........................

您可以在此opencv目录中找到名为digits.py的示例：

\\的OpenCV \\源\\样品\\蟒

根据您的opencv版本，SVM类的方法存在一些差异。 这是opencv 3.1的一个例子。

svm = cv2.ml.SVM_create()
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_RBF) # cv2.ml.SVM_LINEAR
# svm.setDegree(0.0)
svm.setGamma(5.383)
# svm.setCoef0(0.0)
svm.setC(2.67)
# svm.setNu(0.0)
# svm.setP(0.0)
# svm.setClassWeights(None)

svm.train(samples_train, cv2.ml.ROW_SAMPLE, labels_train)

resp = svm.predict(samples_test)[1].ravel()
print resp, labels_test

err = (labels_test != resp).mean()
print('error: %.2f %%' % (err*100))

confusion = np.zeros((10, 10), np.int32)
for i, j in zip(labels_test, resp):
    confusion[i, j] += 1
print('confusion matrix:')
print(confusion)
print()

.................................................. ..........................

最后我通过这种方式得到它：

samples = []
labels = []    

# Get positive samples
for filename in glob.glob(os.path.join(positive_path, '*.jpg')):
    img = cv2.imread(filename, 1)
    hist = hog(img)
    samples.append(hist)
    labels.append(1)

# Get negative samples
for filename in glob.glob(os.path.join(negative_path, '*.jpg')):
    img = cv2.imread(filename, 1)
    hist = hog(img)
    samples.append(hist)
    labels.append(0)

# Convert objects to Numpy Objects
samples = np.float32(samples)
labels = np.array(labels)


# Shuffle Samples
rand = np.random.RandomState(321)
shuffle = rand.permutation(len(samples))
samples = samples[shuffle]
labels = labels[shuffle]    

# Create SVM classifier
svm = cv2.ml.SVM_create()
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_RBF) # cv2.ml.SVM_LINEAR
# svm.setDegree(0.0)
svm.setGamma(5.383)
# svm.setCoef0(0.0)
svm.setC(2.67)
# svm.setNu(0.0)
# svm.setP(0.0)
# svm.setClassWeights(None)

# Train
svm.train(samples, cv2.ml.ROW_SAMPLE, labels)
svm.save('svm_data.dat')

问候。