如何使用具有面部特征的openCV訓練支持向量機（svm）分類器？

Question

我想使用svm分類器進行面部表情檢測。 我知道opencv有一個svm api，但我不知道應該用什么來訓練分類器。 到目前為止，我已經閱讀了很多論文，所有這些都是在面部特征檢測后訓練分類器時說的。

到目前為止我做了什么，

1. 人臉檢測，
2. 每幀中16個面部點計算。 下面是面部特征檢測的輸出！[輸入圖像說明
3. 保持特征的矢量指向像素地址

注意：我知道如何只用正片和負片訓練SVM，我在這里看到了這段代碼，但我不知道如何將面部特征信息與它結合起來。

有人可以幫我開始用svm進行分類。

一個。 什么應該是訓練分類器的樣本輸入？

灣 如何使用此面部特征點訓練分類器？

問候，

Answer 1

opencv中的機器學習算法都帶有類似的界面。 為了訓練它，你傳遞一個NxM Mat offeatures（N行，每個特征一行長度為M）和一個帶有類標簽的Nx1 Mat。 像這樣：

//traindata      //trainlabels

f e a t u r e    1 
f e a t u r e    -1
f e a t u r e    1
f e a t u r e    1
f e a t u r e    -1

對於預測，您以相同的方式填充1行的Mat，它將返回預測的標簽

所以，比方說，你的16個面部點存儲在一個矢量中，你會這樣做：

Mat trainData; // start empty
Mat labels;

for all facial_point_vecs:
{
    for( size_t i=0; i<16; i++ )
    {
        trainData.push_back(point[i]);
    }
    labels.push_back(label); // 1 or -1
}
// now here comes the magic:
// reshape it, so it has N rows, each being a flat float, x,y,x,y,x,y,x,y... 32 element array
trainData = trainData.reshape(1, 16*2); // numpoints*2 for x,y

// we have to convert to float:
trainData.convertTo(trainData,CV_32F);

SVM svm; // params omitted for simplicity (but that's where the *real* work starts..)
svm.train( trainData, labels );


//later predict:
vector<Point> points;
Mat testData = Mat(points).reshape(1,32); // flattened to 1 row
testData.convertTo(testData ,CV_32F);
float p = svm.predict( testData );

Answer 2

面部姿勢識別是一個廣泛研究的問題，通過對現有文獻的深入研究可以找到您需要使用的適當特征。 一旦你擁有了你認為很好的特征描述符，你就可以繼續訓練SVM。 一旦您使用最佳參數（通過交叉驗證找到）訓練SVM，就可以開始在看不見的數據上測試SVM模型，並報告准確性。 總的來說，這就是管道。

現在關於SVM的部分：

SVM是一個二元分類器 - 它可以區分兩個類（盡管它也可以擴展到多個類）。 OpenCV在ML庫中有一個內置的SVM模塊。 SVM類有兩個函數開始： train(..)和predict(..) 。 要訓​​練分類器，您可以在輸入中輸入大量的樣本特征描述符及其類標簽（通常為-1和+1）。 請記住OpenCV支持的格式：每個訓練樣本都必須是行向量。 並且每行在標簽向量中將具有一個對應的類標簽。 因此，如果您有一個長度為n的描述符，並且您有m這樣的樣本描述符，那么您的訓練矩陣將是mxn （ m行，每個長度為n ），標簽向量的長度為m 。 還有一個SVMParams對象，其中包含SVM類型等屬性以及您必須指定的C參數值。

一旦經過訓練，您可以從圖像中提取特征，將其轉換為單行格式，並提供predict() ，它將告訴您它屬於哪個類（+1或-1）。

還有一個具有類似參數的train_auto() ，其格式類似，可以為您提供SVM參數的最佳值。

另請查看詳細的SO答案以查看示例。

編輯：假設您有一個返回特征向量的特征描述符，算法將類似於：

Mat trainingMat, labelsMat;
for each image in training database:
  feature = extractFeatures( image[i] );
  Mat feature_row = alignAsRow( feature );
  trainingMat.push_back( feature_row );
  labelsMat.push_back( -1 or 1 );  //depending upon class.
mySvmObject.train( trainingMat, labelsMat, Mat(), Mat(), mySvmParams );

我不認為extractFeatures()和alignAsRow()是現有函數，您可能需要自己編寫它們。