如何使用Python中的OpenCV 3.0中的HOG功能訓練SVM分類器？

Question

我想使用OpenCV 3.x Python綁定訓練一個新的頭部和肩部HoG分類器。 我的管道是什么，用於提取功能，訓練SVM，然后在測試數據庫上運行它？

這里似乎有這樣一個C ++管道： 基於HOG功能的SVM分類器，用於OpenCV中的“對象檢測” ，這里是： https ： //github.com/DaHoC/trainHOG/wiki/trainHOG-Tutorial 。 對於Python，這里有一個如何提取HOG功能集的描述： 從OpenCV + Python獲取HOG圖像功能？ 。 但是，這僅適用於OpenCV 2.x，因為您無法再使用_winSize和其他此類變量初始化分類器。 此外，這僅用於特征提取，而不是使用新訓練的分類器進行訓練或檢測。

cv2.HOGdescriptor()的輸出確實有一個svmDetector參數，但我不知道如何使用它，因為OpenCV 3.x沒有附帶Python文檔，而OpenCV 2.x只在其GPU模塊中列出了HoG，甚至雖然有一個CPU實現。

是否有可能看到端到端管道和一些參數的解釋？

Answer 1

目前我有同樣的問題，我看過OpenCV的以下文件：

使用SVM對手寫數據進行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。 一旦我解決了，我會更新答案。 但此刻我希望它對你有所幫助。

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

您可以在此opencv目錄中找到名為digits.py的示例：

\\的OpenCV \\源\\樣品\\蟒

根據您的opencv版本，SVM類的方法存在一些差異。 這是opencv 3.1的一個例子。

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()

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

最后我通過這種方式得到它：

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')

問候。