如何在Python的OpenCV 3.0中使用HOG特性训练支持向量机分类器？

Question

我想使用OpenCV 3.x Python绑定为头部和肩部训练一个新的HoG分类器。我的管道是什么，用于提取特征，训练支持向量机，然后在测试数据库上运行？

这里似乎有这样一个C++的流水线：SVM classifier based on HOG features for "object detection" in OpenCV，这里是：https://github.com/DaHoC/trainHOG/wiki/trainHOG-Tutorial。对于Python，这里描述了如何提取HOG特性集：Get HOG image features from OpenCV + Python?。但是，这只适用于OpenCV 2.x，因为您不能用_winSize和其他这样的变量初始化分类器。另外，这只用于特征提取，而不是使用新训练的分类器进行训练或检测。

cv2.HOGdescriptor()的输出有一个svmDetector参数，但是我不知道如何使用它，因为OpenCV 3.x没有Python文档，而且OpenCV 2.x只在其GPU模块中列出HoG，即使有CPU实现。

是否可以看到端到端的管道以及对某些参数的解释？

Answer 1

目前我也有同样的问题，我看到了OpenCV的以下文档：

OCR of Hand-written Data using SVM

在这里你可以找到你的部分答案：

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')

这就是我的工作。一旦我解决了问题，我会更新答案。但现在我希望它能帮助你。

。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

您可以在这个opencv目录中找到一个名为digits.py的示例：

\opencv\sources\samples\python

根据您的opencv版本，支持向量机类的方法有一些不同。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()

。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

我终于在这条路上找到了：

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。