forked from tsingjinyun/SVM-learning-and-code-implement
-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathsvm_train_result.c
159 lines (140 loc) · 5.64 KB
/
svm_train_result.c
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
#include <cv.h>
#include <highgui.h>
#include "ml.h"
#include <stdio.h>
#include"iostream.h"
float a[2500];
int main(int argc, char **argv)
{
int i, j, ii, jj;
int width= 50, height= 50; /*样本图像的尺寸大小*/
int image_dim= width* height;
int pimage_num= 41; /*正样本数*/
int nimage_num= 61; /*负样本数*/
int all_image_num= pimage_num+ nimage_num;
IplImage *img_org;
IplImage *sample_img;
//int res[all_image_num];
int res[102];
//float data[all_image_num* image_dim];
float data[255000];
CvMat data_mat, res_mat;
CvTermCriteria criteria;
CvSVM svm= CvSVM ();
CvSVMParams param;
char filename[65];
// (1) 读取正样本数据
for (i= 0; i< pimage_num; i++) {
sprintf(filename, "灰度样本\\正样本\\1 (%03d).jpg",i); //产生正样本的文件路径
printf(filename);
img_org= cvLoadImage(filename, CV_LOAD_IMAGE_GRAYSCALE);
if(img_org!=NULL)
cout<<"成功"<<endl;
else
cout<<"失败"<<endl;
sample_img= cvCreateImage(cvSize(width, height), IPL_DEPTH_8U, 1);
cvResize(img_org, sample_img);
cvSmooth(sample_img, sample_img, CV_GAUSSIAN, 3, 0, 0, 0);
for (ii= 0; ii< height; ii++) {
for (jj= 0; jj< width; jj++) {
data[i* image_dim+ (ii* width) + jj] =
float ((int) ((uchar) (sample_img->imageData[ii* sample_img->widthStep+ jj])) / 255.0);
}
}
res[i] = 1;
}
//读取正样本的图像群，将各像素值转化成float数据类型。为了方便，预先在"positive/目录下准备了正样本图像，图像名用3位连续的数字名标识（000,001,002，·····）。首先，将读取的各图像转换成同一尺寸大小（28×30），为了减轻噪声的影响，对图像作了平滑化处理。然后，为了利用各像素亮度值(这里的图像作为等级图像被读取)的特征向量，将它变换成了数组。总之，对于一张图像的特征向量(图像宽度X图像长度)，准备了和样本图像张数相同的数量。"1"表示利用此特征向量的判别数值。此外还使用500张脸部图像的正样本(基本上是正面脸部图像，没有侧面的)。
//在OpenCV里实装了利用haar-like特征的物体检测算法，由于利用它检测脸部的精度和处理速度都很不错，虽然脸部图像检测没有太大意义，但从获取样本的难易程度和理解程度考虑，此次利用脸部图像进行学习。
// (2) 读取负样本数据
j= i;
for (i= j; i< j+ nimage_num; i++) {
sprintf(filename, "灰度样本\\负样本\\1 (%03d).jpg", i-j);
img_org= cvLoadImage(filename, CV_LOAD_IMAGE_GRAYSCALE);
sample_img= cvCreateImage(cvSize(width, height), IPL_DEPTH_8U, 1);
cvResize(img_org, sample_img);
cvSmooth(sample_img, sample_img, CV_GAUSSIAN, 3, 0, 0, 0);
for (ii= 0; ii< height; ii++) {
for (jj= 0; jj< width; jj++) {
data[i* image_dim+ (ii* width) + jj] =
float ((int) ((uchar) (sample_img->imageData[ii* sample_img->widthStep+ jj])) / 255.0);
}
}
res[i] = 0;
}
//读取负样本的图像群，和正样本一样，将它们转化成数组，并用"0"表示利用该特征向量的判别数值。另外使用1000张任意图像的负样本(全部是脸部以外的图像)。
// (3)SVM学习数据和参数的初始化
cvInitMatHeader(&data_mat, all_image_num, image_dim, CV_32FC1, data);
cvInitMatHeader(&res_mat, all_image_num, 1, CV_32SC1, res);
criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON);
param= CvSVMParams (CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria);
//样本图像的像素值数组和判别值数组进行行列变换。为了样本学习对参数作了初始化处理。由于指定了非常适合的参数，也就有必要设定相应合适的参数。
// (4)SVM学习和数据保存
svm.train(&data_mat, &res_mat, NULL, NULL, param);
//svm.save("svm_image.xml");
cvReleaseImage(&img_org);
cvReleaseImage(&sample_img);
//利用正负样本的像素值和被指定的参数，根据svm.train()方式进行SVM学习。样本数:正样本500，负样本1000，特征向量: 28×30=840维。学习的SVM参数用根据svm.save()方法的XML形式的文件保存。如此页开始部分讲述的那样，为了使用保存和下载功能，有必要对OpenCV源代码作修改。
//第三个 根据图像各像素值转化成特征向量的SVM检测物体(脸部)
//读取用于学习的SVM参数，从相关图像中检测物体。
CvMat m;
//float a[2500];
float ret= -1.0;
float scale;
IplImage *src, *src_color, *src_tmp;
int sx, sy, tw, th;
int stepx= 3, stepy= 3;
double steps= 1.2;
int iterate;
// (1)图像的读取
src_color= cvLoadImage("待检测图像//11.jpg", CV_LOAD_IMAGE_COLOR);
src= cvLoadImage("待检测图像//11.jpg", CV_LOAD_IMAGE_GRAYSCALE);
if (src == 0||src_color==0)
{
cout<<"fail fail fail"<<endl;
}
else
cout<<"OKOKOKOKOKOKOKOKOKOK"<<endl;
// (2)SVM数据的读取
///svm.load("svm_image.xml");
/*对读取图像的每部分进行处理 */
cvInitMatHeader(&m, 1, image_dim, CV_32FC1, NULL);
tw= src->width;
th= src->height;
for (iterate= 0; iterate< 1; iterate++) {
// (3) 缩小图像，并对当前图像部分作行列变换
src_tmp= cvCreateImage(cvSize((int) (tw/ steps), (int) (th/ steps)), IPL_DEPTH_8U, 1);
cvResize(src, src_tmp);
tw= src_tmp->width;
th= src_tmp->height;
for (sy= 0; sy<= src_tmp->height- height; sy+= stepy) {
for (sx= 0; sx<= src_tmp->width- width; sx+= stepx) {
for (i= 0; i< height; i++) {
for (j= 0; j< width; j++) {
a[i* width+ j] =
float ((int) ((uchar) (src_tmp->imageData[(i+ sy) * src_tmp->widthStep+ (j+ sx)])) / 255.0);
cout<<j<<endl;
}
}
cvSetData(&m, a, sizeof (float) * image_dim);
// (4)根据SVM的判定和结果绘图
ret= svm.predict(&m);
cout<<"ret is "<<ret<<endl;
if ((int) ret== 1) {
scale= (float) src->width/ tw;
cvRectangle(src_color, cvPoint((int) (sx* scale), (int) (sy* scale)),
cvPoint((int) ((sx+ width) * scale), (int) ((sy+ height) * scale)), CV_RGB(255, 0, 0), 2);
}
}
}
cvReleaseImage(&src_tmp);
}
// (5)显示检测出的结果图像
cvNamedWindow("svm_predict", CV_WINDOW_AUTOSIZE);
cvShowImage("svm_predict", src_color);
cvWaitKey(0);
cvDestroyWindow("svm_predict");
cvReleaseImage(&src);
cvReleaseImage(&src_color);
cvReleaseImage(&src_tmp);
return 0;
}