标签：hog SVM cv2 svm block np Python3

1. SVM支持向量机

SVM的本质依旧是分类器，寻求一个最优的超平面完成分类，可以由若干直线或者曲线完成分类。
1.1用直线分类男生女生与身高体重的关系

主要步骤为：导入样本数据 制作相对应的标签 进行SVM训练 输入测试样本分类识别
实例代码：
import cv2
import numpy as np
import matplotlib.pyplot as plt
rand1=np.array([[155,48],[159,50],[164,53],[168,56],[172,60]])
rand2=np.array([[152,53],[156,55],[160,56],[172,64],[176,65]])
#标签
label=np.array([[0],[0],[0],[0],[0],[1],[1],[1],[1],[1]])
#合并数据
data=np.vstack((rand1,rand2))
data=np.array(data,dtype=‘float32’)
#监督学习
#训练
#属性设置
svm=cv2.ml.SVM_create()#创建 机器学习模块 SVM——create
svm.setType(cv2.ml.SVM_C_SVC)#类型
svm.setKernel(cv2.ml.SVM_LINEAR)#内核 线性的
svm.setC(0.01)#与核有关参数
#训练
result=svm.train(data,cv2.ml.ROW_SAMPLE,label)
pt_data=np.vstack([[167,55],[163,57]])#0 女生 1男生
pt_data=np.array(pt_data,dtype=‘float32’)#数据转化
print(pt_data)
#预测
(par1,par2)=svm.predict(pt_data)
print(par1,par2)

2.hog特征

与haar特征相比，更加复杂，主要分为模块、梯度、方向、投影等多个问题。
2.1模块的划分：image Windows窗体 block cell block步长 win 步长 cell 的bin
win是特征计算最顶层单元 一般为64128
block一般小于win，且win的size一般为block的整数倍为1616
block的步长 在win下一次滑动的像素数。
bin：梯度运算 方向：360度分为9个方向bin
hog：本质为一个向量，需要完整的描述object信息 其维度=block数call数bin数
2.2梯度计算 计算基础单位为像素，具有大小和方向
模板分为水平和竖直两种【1,0，-1】【【1】【0】【-1】】
a=相邻像素之差 b=上下像素之差 f=根号下（a方+b方） angle=arctan（a/b）
2.3cell计算需要进行权重累加和复用

hog特征+SVM计算

hog*SVM（训练获得的矩阵）=值
值和阈值进行判断分类

hog+SVM识别实例

步骤：1.样本准备 正样本（尽可能多环境、多干扰下样本积累） 负样本（不能出现正样本，以及包含和正样本接近目标）
样本获取 网络 公司购买 爬虫自己爬 公司积累 自己收集（视频分解）
图形规范化（大小 格式 命名规律等）
2.正、负样本训练
参数定义 训练数量 win block cell bin步长的大小
3.创建hog
4.SVM创建
5.计算hog 计算相关数组 参数（维度 装载特征数组 标签数组）
6.hog特征装载和对应标签定义
7.实例程序

import cv2
import numpy as np
import matplotlib.pyplot as plt
#hog 属性参数
PosNum=820#正样本数
NegNum=1931#负样本数
winSize=(64,128)
blockSize=(16,16)
blockStride=(8,8)#步长
cellSize=(8,8)
nBin=9

#创建hog win block block步长 cell bin
hog=cv2.HOGDescriptor(winSize,blockSize,blockStride,cellSize,nBin)
#创建SVM
svm=cv2.ml.SVM_create()
#计算hog
featureNum=int(((128-16)/8+1)*((64-16)/8+1)49)
featureArray=np.zeros(((PosNum+NegNum),featureNum),np.float32)
labelArray=np.zeros(((PosNum+NegNum),1),np.int32)
#加载图片和标签

for i in range(0,PosNum):
fileName=‘image\pos\’+str(i+1)+’.jpg’
img=cv2.imread(fileName)
#计算hog
hist=hog.compute(img,(8,8))
for j in range(0,featureNum):
featureArray[i,j]=hist[j]#将hog写入矩阵
labelArray[i,0]=1

for i in range(0,NegNum):
fileName=‘image\neg\’+str(i+1)+’.jpg’
img=cv2.imread(fileName)
#计算hog
hist=hog.compute(img,(8,8))
for j in range(0,featureNum):
featureArray[i+PosNum,j]=hist[j]#将hog写入矩阵
labelArray[i+PosNum,0]=-1

#创建SVM
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setC(0.01)
#训练
ret = svm.train(featureArray,cv2.ml.ROW_SAMPLE,labelArray)
#检测
#参数
alpha=np.zeros((1),np.float32)
#SVM hog描述信息 SVM的计算 来自于训练
rho=svm.getDecisionFunction(0,alpha)
print(alpha)
print(rho)
#维度信息
alphaArray=np.zeros((1,1),np.float32)
#resultArray=-1alphaArraysupportVArray
resultArray=np.zeros((1,featureNum),np.float32)
#支持向量个数
supportVArray=np.zeros((1,featureNum),np.float32)
alphaArray[0,0]=alpha
resultArray=-1alphaArraysupportVArray
#myhog创建
myDetect=np.zeros((3781),np.float32)
for i in range(0,3780):
myDetect[i]=resultArray[0,i]
myDetect[3780]=rho[0]#判决将使用
#构建hog
myHog=cv2.HOGDescriptor()
myHog.setSVMDetector(myDetect)
#读取图片待检测图片加载
imageSrc=cv2.imread(“image\Test2.jpg”,1)
#对应目标检测（8*8）滑动步长 （32，32）窗体大小 缩放系数
objs=myHog.detectMultiScale(imageSrc,0,(8,8),(32,32),1.05,2)
#xy wh 三维 在最后一维
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
cv2.rectangle(imageSrc,(x,y),(x+w,y+h),(255,0,0),2)
cv2.imshow(‘result’,imageSrc)
cv2.waitKey()
cv2.destroyAllWindows()

标签：hog,SVM,cv2,svm,block,np,Python3
来源： https://blog.csdn.net/weixin_45428532/article/details/104879400

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。