基于Hog+SVM实现小狮子的识别.zip

# 1 准备样本 2 训练 3 预测 # 1 样本 # pos是正样本，包含需要检测的物体 neg是负样本，不包含需要检测的物体 # 图片大小是64*128 # 如何获取样本？ 1 来源于网络 2 源自公司内部 3 自己收集 # 一个好的样本 远胜过一个复杂的神经网络 # 正样本：尽可能的多样 环境多样 干扰多样 820 负样本 1931 1:2或者1:3之间 # 2 训练 # 1.参数 2 hog 3.SVM 4.computer hog 5.label 6.train 7.predicr 8.draw import cv2 import numpy as np import matplotlib.pyplot as plt #1 设置全局变量 在一个windows窗体中有105个block，每个block下有4个cell，每个cell下有9个bin，总共3780维 PosNum = 820 # 正样本的个数 NegNum = 1931 # 负样本的个数 winSize = (64,128) # 窗体大小 blockSize = (16,16) # 105个block blockStride = (8,8) # block的步长 cellSize = (8,8) nBin = 9 #2 hog对象的创建 hog = cv2.HOGDescriptor(winSize,blockSize,blockStride,cellSize,nBin) #3 SVM分类器的创建 svm = cv2.ml.SVM_create() #4 5 计算hog label featureNum = int(((128-16)/8+1)*((64-16)/8+1)*4*9) # 3780 featureArray = np.zeros(((PosNum+NegNum),featureNum),np.float32) labelArray = np.zeros(((PosNum+NegNum),1),np.int32) # SVM 监督学习 样本和标签 SVM学习的是image的hog特征 for i in range(0,PosNum): fileName = 'pos\\'+str(i+1)+'.jpg' img = cv2.imread(fileName) hist = hog.compute(img,(8,8)) # 当前hog的计算 3780维的数据 for j in range(0,featureNum): featureArray[i,j] = hist[j] # hog特征的装载 labelArray[i,0] = 1 # 正样本标签为1 for i in range(0,NegNum): fileName = 'neg\\'+str(i+1)+'.jpg' hist = hog.compute(img,(8,8)) for j in range(0,featureNum): featureArray[i+PosNum,j] = hist[j] labelArray[i+PosNum,0] = -1 # 负样本标签为-1 # 设置SVM的属性 svm.setType(cv2.ml.SVM_C_SVC) svm.setKernel(cv2.ml.SVM_LINEAR) svm.setC(0.01) # 6 train ret = svm.train(featureArray,cv2.ml.ROW_SAMPLE,labelArray) # 7 检测（创建myHog--->myDect参数得到-->来源于resultArray（公式得到） rho(训练得到)） # rho alpha = np.zeros((1),np.float32) rho = svm.getDecisionFunction(0,alpha) print(rho) print(alpha) # resultArray alphaArray = np.zeros((1,1),np.float32) supportVArray = np.zeros((1,featureNum),np.float32) resultArray = np.zeros((1,featureNum),np.float32) alphaArray[0,0] = alpha resultArray = -1*alphaArray*supportVArray #计算公式 # mydect参数 myDetect = np.zeros((3781),np.float32) for i in range(0,3780): myDetect[i] = resultArray[0,i] myDetect[3780] = rho[0] # 构建好myHog myHog = cv2.HOGDescriptor() myHog.setSVMDetector(myDetect) # 待检测图片的加载 imageSrc = cv2.imread('Test.jpg',1) # 检测小狮子 (8,8)winds的滑动步长 1.05 缩放系数 (32,32)窗口大小 objs = myHog.detectMultiScale(imageSrc,0,(8,8),(32,32),1.05,2) # 起始位置、宽和高 objs三维信息 x = int(objs[0][0][0]) y = int(objs[0][0][1]) w = int(objs[0][0][2]) h = int(objs[0][0][3]) # 目标的绘制 图片 起始位置 终止位置 颜色 cv2.rectangle(imageSrc,(x,y),(x+w,y+h),(255,0,0)) # 目标的展示 cv2.imshow('dst',imageSrc) cv2.waitKey(0)