如何在 Python 中使用 OpenCV 3.0 中的 HOG 功能训练 SVM 分类器？

Question

我想使用 OpenCV 3.x Python 绑定为头肩训练一个新的 HoG 分类器。我提取特征、训练 SVM 并在测试数据库上运行它的管道是什么？

这里似乎有这样的 C++ 管道：SVM classifier based on HOG features for "object detection" in OpenCV 和这里：https://github.com/DaHoC/trainHOG/wiki/trainHOG-Tutorial。对于 Python，这里有关于如何提取 HOG 特征集的描述：Get HOG image features from OpenCV + Python?。但是，这只适用于 OpenCV 2.x，因为您不能再使用 _winSize 和其他此类变量初始化分类器。此外，这仅用于特征提取，而不是使用新训练的分类器进行训练或检测。

cv2.HOGdescriptor() 的输出确实有一个svmDetector 参数，但是我不知道如何使用它，因为 OpenCV 3.x 没有附带 Python 文档，而 OpenCV 2.x 仅在其 GPU 中列出了 HoG模块，即使有一个 CPU 实现。

是否可以看到端到端的管道和一些参数的解释？

Answer 1

目前我有同样的问题，我从 OpenCV 看到了以下文档：

OCR of Hand-written Data using SVM

您可以在哪里找到部分答案：

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')

那是我正在使用的。一旦我解决了它，我将更新答案。但此刻我希望它对你有所帮助。

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

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，SVM 类的方法存在一些差异。这是 opencv 3.1 的示例。

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()

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

我终于通过这种方式得到了它：

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')

问候。