使用 SVM 進行人臉識別

Question

我曾嘗試使用 SVM 進行人臉識別，下面是我用於訓練和測試的代碼。 問題是我沒有得到准確的結果，有時我總是將預測值設為“0”。

有人可以幫助我使用正確的 SVM 參數嗎？

培訓代碼：

static void read_csv(const string& filename, vector<Mat>& images, vector<int>& label, char separator = ';') {
    std::ifstream file(filename.c_str(), ifstream::in);
    if (!file) {
        string error_message = "No valid input file was given, please check the given filename.";
        CV_Error(CV_StsBadArg, error_message);
    }
    string line, path, classlabel;
    while (getline(file, line)) {
        stringstream liness(line);
        getline(liness, path, separator);
        getline(liness, classlabel);
        if(!path.empty() && !classlabel.empty()) {
            Mat testimage = imread(path, 0);
            imshow("testimage", testimage);
            waitKey(10);
            images.push_back(testimage);
            label.push_back(atoi(classlabel.c_str()));
        }
    }
}
int svm()
{
    // Data for visual representation

     string fn_csv = string("/home/resize.csv");
//     These vectors hold the images and corresponding labels.
    vector<Mat> images;
    vector<int> label;
//     Read in the data. This can fail if no valid
//     input filename is given.
    try {
        read_csv(fn_csv, images,label);
    } catch (cv::Exception& e) {
        cerr << "Error opening file \"" << fn_csv << "\". Reason: " << e.msg << endl;
//         nothing more we can do
        exit(1);
    }
    // Set up SVM's parameters
     Mat labelsMat(label.size(), 1, CV_32FC1);
      Mat trainingDataMat(images.size(),70*70, CV_32FC1);

                //iterating through the rows
      int c=0;int d;
               for (int j = 0; j <label.size(); j++) {
                    //iteration through the columns
                   d=0;
                   c++;
                    labelsMat.at<float>(j,0)=float(label[j]);
                  for (int r = 0;r<images[j].rows; r++) {
                //iterating through the rows
               for (int c = 0; c <images[j].cols; c++) {
                 trainingDataMat.at<float>(j,d++) = images[j].at<uchar>(r,c);

                }
                  }
               }

     //imshow("first",images[7]);
      cout<<"labels"<<labelsMat<<std::endl;
   cout<<"labels size"<<c<<std::endl;
   // CvSVMParams params;

SVMParams params = SVMParams();
params.svm_type = SVM::C_SVC;
params.kernel_type = SVM::LINEAR;
params.degree = 3.43; // for poly
params.gamma = 0.00225; // for poly / rbf / sigmoid
params.coef0 = 19.6; // for poly / sigmoid
params.C = 0.5; // for CV_SVM_C_SVC , CV_SVM_EPS_SVR and CV_SVM_NU_SVR
params.nu = 0.0; // for CV_SVM_NU_SVC , CV_SVM_ONE_CLASS , and CV_SVM_NU_SVR
params.p = 0.0; // for CV_SVM_EPS_SVR
params.class_weights = NULL; // for CV_SVM_C_SVC
params.term_crit.type = CV_TERMCRIT_ITER | CV_TERMCRIT_EPS;
params.term_crit.max_iter = 1000;
params.term_crit.epsilon = 1e-6;

    // Train the SVM
    CvSVM SVM;
    SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
  // cout<<"train row" <<trainingDataMat.rowRange()<<"cols"<<trainingDataMat.cols<<std::endl;
 SVM.save("/home/test.yml");

    return 0;

}

預測代碼：

int svm_test()
{

    // Train the SVM
    CvSVM SVM;

  Mat test=imread("/home/n2.jpg",0);
//  cout<<"image size"<<(float(test.size))<<std::endl;
Mat test_mat(1,test.cols*test.rows,CV_32FC1);
  int ii1=0;
 for (int i1 = 0; i1<test.rows; i1++) {
                //iterating through the rows

                for (int j1 = 0; j1 < test.cols; j1++) {
                    //iteration through the columns

                 test_mat.at<float>(0,ii1++) = test.at<uchar>(i1,j1);
               // labels.at<float>(filenum,1);//=float(filenum);
                }
            }
  // waitKey(0);
SVM.load("/home/smile.yml");

cout<<"preditction value"<<SVM.predict(test_mat)<<std::endl;


    return 0;

}

Answer 1

好吧，您的代碼看起來很臟，所以我不會詳細介紹它們，但我會嘗試為您提供有關該過程的一些提示。

首先，您需要訓練集，並確保負面訓練數據多於正面訓練數據以獲得良好結果。 另請注意，您將需要安靜的大量面孔才能獲得良好的結果，對於平均或低於平均水平的簡單分類器，可能需要大約 100-200。

第二次從面部提取特征，您可以在其中使用顏色、邊緣直方圖或二進制樣圖等。選擇權在您手中。 但是少量的卷積會產生更多更好的結果。

使用准備好的數據訓練 SVM 並進行預測。

這是來自麻省理工學院學生 Roy 的鏈接，他使用 SVM 訓練食物分類器。 代碼易於理解，您可以按照它們來獲得 SVM 分類器的要點。

食品分級機