实例介绍
【实例简介】基于Hog特征 SVM分类器,利用Opencv3.0进行手写数字识别的源代码及所需资源文件(训练图片、测试图片)
【实例截图】
【实例截图】
【核心代码】
#include <iostream> #include <fstream> #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/objdetect/objdetect.hpp> #include <opencv2/ml/ml.hpp> using namespace std; using namespace cv; using namespace cv::ml; int main() { //winsize(64,128),blocksize(16,16),blockstep(8,8),cellsize(8,8),bins9 //检测窗口(64,128),块尺寸(16,16),块步长(8,8),cell尺寸(8,8),直方图bin个数9 HOGDescriptor hog(Size(128, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9); //HOG检测器,用来计算HOG描述子的 int DescriptorDim;//HOG描述子的维数,由图片大小、检测窗口大小、块大小、细胞单元中直方图bin个数决定 Mat sampleFeatureMat;//所有训练样本的特征向量组成的矩阵,行数等于所有样本的个数,列数等于HOG描述子维数 Mat sampleLabelMat;//训练样本的类别向量,行数等于所有样本的个数,列数等于1;1表示有人,-1表示无人 Ptr<SVM> svm = SVM::create();//SVM分类器 string ImgName;//图片名(绝对路径) ifstream finPos("Image/img.txt");//正样本图片的文件名列表 if (!finPos) { cout << "Pos/Neg imglist reading failed..." << endl; return 1; } for (int num = 0; num < 200 && getline(finPos, ImgName); num ) { std::cout << "Now processing original positive image: " << ImgName << endl; ImgName = "Image/" ImgName;//加上正样本的路径名 Mat src = imread(ImgName);//读取图片 //if (CENTRAL_CROP) // src = src(Rect(16, 16, 128, 128));//将96*160的INRIA正样本图片剪裁为64*128,即剪去上下左右各16个像素 vector<float> descriptors;//HOG描述子向量 hog.compute(src, descriptors, Size(8, 8));//计算HOG描述子,检测窗口移动步长(8,8) //处理第一个样本时初始化特征向量矩阵和类别矩阵,因为只有知道了特征向量的维数才能初始化特征向量矩阵 if (0 == num) { DescriptorDim = descriptors.size(); //初始化所有训练样本的特征向量组成的矩阵,行数等于所有样本的个数,列数等于HOG描述子维数sampleFeatureMat sampleFeatureMat = Mat::zeros(200, DescriptorDim, CV_32FC1); //初始化训练样本的类别向量,行数等于所有样本的个数,列数等于1;1表示有人,0表示无人 sampleLabelMat = Mat::zeros(200, 1, CV_32SC1);//sampleLabelMat的数据类型必须为有符号整数型 } //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat for (int i = 0; i<DescriptorDim; i ) sampleFeatureMat.at<float>(num, i) = descriptors[i];//第num个样本的特征向量中的第i个元素 sampleLabelMat.at<int>(num, 0) = num / 20;//正样本类别为1,有人 } finPos.close(); //输出样本的HOG特征向量矩阵到文件 svm->setType(SVM::C_SVC); svm->setC(0.01); svm->setKernel(SVM::LINEAR); svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 3000, 1e-6)); std::cout << "Starting training..." << endl; svm->train(sampleFeatureMat, ROW_SAMPLE, sampleLabelMat);//训练分类器 std::cout << "Finishing training..." << endl; //将训练好的SVM模型保存为xml文件 svm->SVM::save("SVM_HOG.xml"); //imshow("src", src); waitKey(); return 0; }
好例子网口号:伸出你的我的手 — 分享!
小贴士
感谢您为本站写下的评论,您的评论对其它用户来说具有重要的参考价值,所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字,对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙,所以请不要反馈意义不大的重复字符,也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明,或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦,又没人会搭理,于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享,对搜索内容的合法性不具有预见性、识别性、控制性,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论平台是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定,若资源存在侵权或相关问题请联系本站客服人员,点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论