使用具有HOG功能的SVM对车辆进行分类

Question

我的目标是使用SVM和HOG功能在SUV和轿车之间进行分类。

首先，我阅读了86个训练图像，为每个图像计算HOG功能，然后将它们放在大小为86xdescriptorSize的训练垫中，称为HOGFeat_train。

Mat HOGFeat_train(num_train_images, derSize, CV_32FC1); //86xdescriptor size training Mat

for (int file_count = 1; file_count < (num_train_images + 1); file_count++) 
{
    ss << name << file_count << type;       //'Vehicle_1.jpg' ... 'Vehicle_2.jpg' ... etc ...
    string filename = ss.str();
    ss.str("");

    Mat training_img = imread(filename, 0);     //Reads the training images from the folder

    HOGDescriptor hog_train;
    vector<float> descriptors_train;
    vector<Point> locations_train;

    hog_train.compute(training_img, descriptors_train, Size(16, 16), Size(0, 0), locations_train); //not sure about these values

    for (int i = 0; i < descriptors_train.size(); i++)
        HOGFeat_train.at<float>(file_count-1, i) = descriptors_train.at(i);
}

接下来，我为SVM的监督学习部分创建了86个标签的labels_mat（我知道这种方式不切实际且耗时，稍后将进行修复）。 1表示SUV，-1表示轿车。 不确定这些SVM参数，但是我尝试了不同的品种和值，但所有结果都是相同的。

float labels[86] = { 1, 1, -1, -1, 1, -1, -1, -1, -1, -1, 1, -1, -1, -1, -1, -1, -1, 1, 1, 1, -1, -1, -1, -1, 1, 1, 1, -1, 1, -1, -1, 1, 1, -1, -1, -1, -1, 1, -1, 1, 1, -1, 1, 1, -1, -1, -1, -1, 1, 1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, 1, 1, 1, 1, -1, -1, -1, 1, 1, 1, 1, 1, -1, 1, 1, 1, 1, 1, -1, -1, -1, 1, 1, -1, 1, -1};

Mat labels_mat(num_train_images, 1, CV_32S);

cout << "Beginning Training..." << endl;

Ptr<SVM> svm = SVM::create();
svm->setType(SVM::C_SVC);
svm->setKernel(SVM::LINEAR);
//svm->setDegree(3);
//svm->setGamma(2);
//svm->setC(.5);


cout << "Parameters Set..." << endl;

svm->train(HOGFeat_train, ROW_SAMPLE, labels_mat);

cout << "Training Successful" << endl;

接下来，以与训练图像相同的方式读取10张测试图像，然后再次计算HOG功能。 在计算出HOG功能后，将它们放入1行x描述符化的HOGFeat_test Mat中，然后在该HOGFeat_test Mat上使用svm-> predict，它应返回值-1表示轿车或1表示SUV。

    Mat HOGFeat_test(1, derSize, CV_32FC1); //Creates a 1 x descriptorSize Mat to house the HoG features from the test image

for (int file_count = 1; file_count < (num_test_images + 1); file_count++)
{

    ss2 << name2 << file_count << type2;        //'Test_1.jpg' ... 'Test_2.jpg' ... etc ...
    string filename2 = ss2.str();
    ss2.str("");

    Mat test_image = imread(filename2, 0);          //Read the file folder

    HOGDescriptor hog_test;
    vector<float> descriptors_test;
    vector<Point> locations_test;

    hog_test.compute(test_image, descriptors_test, Size(16, 16), Size(0, 0), locations_test);

    for (int i = 0; i < descriptors_test.size(); i++)
        HOGFeat_test.at<float>(0, i) = descriptors_test.at(i);

    namedWindow("Test Image", CV_WINDOW_NORMAL);
    imshow("Test Image", test_image);

    //Should return a 1 if its an SUV, or a -1 if its a sedan
    float result = svm->predict(HOGFeat_test);

    if (result <= 0)
        cout << "Sedan" << endl;
    else
        cout << "SUV" << endl;

    cout << "Result: " << result << endl;

下图显示了结果，测试图像以及HOGFeat_train Mat（如果它对任何人有用）。 无论我使用什么值，参数或图像，结果（Sedan，-8.412e08）始终相同。 结果不是-1或1，而是-800000000000，我假设负值对应于-1，但最重要的是，我想知道为什么结果没有变化。 有人对此有见识吗？ 谢谢。

编辑 - - - - - - - - - - - - - - - - - - - -

我从浮动标签[86]中删除了所有标签，然后将其保留为浮动标签[86]； // {1、1，-1等...}

这表明SVM结果没有差异，并且仍然能够成功进行训练。 这告诉我，我的标签arent通过svm-> train函数之类的东西。 我将继续调查。

Answer 1

所以这只是我对自己犯的一个愚蠢的错误。 我用浮动标签替换了标签[86]； 基本上，我只是删除了SVM的监督学习部分，但得到的结果完全相同。 经检查，我意识到我没有将标签填入labels_mat！

因此，执行以下操作可获得明确的解决方案。 此外，结果变为1和-1，而不是-8.412e-8。

垫标签_垫（num_train_images，1，CV_32S，标签）;