数据学习的开始：HOG+SVM

来自本人笔记: https://github.com/masterAllen/LearnOpenCV/blob/main/docs/数据学习的开始：HOG+SVM

在 HOG 中，里面提到 SVM+HOG 是一种非常经典的图像分类或识别方法。其实又何止 HOG 呢，任何一个特征提取方法（如SIFT等），都可以和 SVM 结合起来，形成一种分类器。至于 SVM 原理，我想不用多写了，现在估计已经成了那群小孩大一大二就要学习的基础知识了。

介绍 HOG 的文章中的代码是用 OpenCV 自带的行人检测模型实现检测，那么这里就着重来进行 SVM 训练。图片、代码和学习记录参考了两篇文章，特此感谢（文章一、文章二，整体代码在 test_hog_svm.ipynb 中。

1. 整体出训练集和测试集，这个其实就是每次读一张图片，然后存储 HOG 特征和正负标签。

# 以负样本为例，每次读取图片，计算 HOG
for fname in os.listdir(f'{datadir}/neg'):
    img = cv2.imread(f'{datadir}/neg/{fname}', -1)
    datas.append((hog.compute(img), -1))

2. 使用 SVM 训练

svm = cv2.ml.SVM_create()
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setTermCriteria((cv2.TERM_CRITERIA_MAX_ITER, 100, 1e-6))

# 训练 SVM，train_features 就是各个图片的 HOG，train_labels 就是各个图片的标签
svm.train(np.array(train_features), cv2.ml.ROW_SAMPLE, np.array(train_labels))

# 训练完可以检测，看看训练出来的怎么样
predict_labels = svm.predict(np.array(test_features))[1].flatten()
print('Wrong rate:', sum(predict_labels != np.array(test_labels))/len(predict_labels))

3. HOG + SVM 融合

# 新建 HOG 类，将其检测设为训练好的 SVM
hog = cv2.HOGDescriptor()
hog.setSVMDetector(svm.getSupportVectors()[0])

# 从训练集图片中读取一张图片进行检测
img = cv2.imread(f'test.jpg', -1)
(rects, weights) = hog.detectMultiScale(img, winStride=(4, 4), padding=(8, 8), scale=1.05)
x, y, w, h = rects[np.argmax(weights.flatten())]
cv2.rectangle(img, (x, y), (x+w, y+h), (255,0,0), 1)
show_image(img)

数据学习的开始：HOG+SVM

Comments