# 1 样本 2 训练 3 test 预测
# 1 样本
# 1.1 pos 正样本 包含所检测目标 neg 不包含obj
# 1.2 如何获取样本 1 网络 2 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 （K几千或几万就可以 w）（M而神经网络要很多）
# 1.1 网络公司 样本：1张图 1元 贵
# 1.2 网络 爬虫 自己爬 更多情况下自己找
# 1.3 公司： 很多年积累（mobileeye ADAS 99%） 红外图像
# 1.4 自己收集 视频 100秒的视频 30 = 3000
# 正样本：尽可能的多样 环境 干扰 负样本也类似
# 820 pos neg 1931 1:2 1:3
# name
# 训练# 1 参数 2hog 3 svm 4 computer hog 5 label 6 train 7 pred 8 drawimport cv2import numpy as npimport matplotlib.pyplot as plt# 1 parPosNum = 820NegNum = 1931winSize = (64,128)blockSize = (16,16)# 105blockStride = (8,8)#4 cellcellSize = (8,8)nBin = 9#9 bin 3780# 2 hog create hog 1 win 2 block 3 blockStride 4 cell 5 binhog = cv2.HOGDescriptor(winSize,blockSize,blockStride,cellSize,nBin)# 3 svmsvm = cv2.ml.SVM_create()# 4 computer hogfeatureNum = int(((128-16)/8+1)*((64-16)/8+1)*4*9) #3780featureArray = np.zeros(((PosNum+NegNum),featureNum),np.float32)labelArray = np.zeros(((PosNum+NegNum),1),np.int32)# svm 监督学习 样本 标签 svm -》image hog for i in range(0,PosNum):fileName = 'pos/'+str(i+1)+'.jpg'img = cv2.imread(fileName)hist = pute(img,(8,8))# 3780for j in range(0,featureNum):featureArray[i,j] = hi st[j]# featureArray hog [1,:] hog1 [2,:]hog2 labelArray[i,0] = 1# 正样本 label 1for i in range(0,NegNum):fileName = 'neg/'+str(i+1)+'.jpg'img = cv2.imread(fileName)hist = pute(img,(8,8))# 3780for j in range(0,featureNum):featureArray[i+PosNum,j] = hist[j]labelArray[i+PosNum,0] = -1# 负样本 label -1svm.setType(cv2.ml.SVM_C_SVC)svm.setKernel(cv2.ml.SVM_LINEAR)svm.setC(0.01)# 6 trainret = svm.train(featureArray,cv2.ml.ROW_SAMPLE,labelArray)# 7 myHog ：《-myDetect# myDetect-《resultArray rho# myHog-》detectMultiScale# 7 检测 核心：create Hog -》 myDetect—》array-》# resultArray-》resultArray = -1*alphaArray*supportVArray# rho-》svm-〉svm.trainalpha = np.zeros((1),np.float32)rho = svm.getDecisionFunction(0,alpha)print(rho)print(alpha)alphaArray = np.zeros((1,1),np.float32)supportVArray = np.zeros((1,featureNum),np.float32)resultArray = np.zeros((1,featureNum),np.float32)alphaArray[0,0] = alpharesultArray = -1*alphaArray*supportVArray# detectmyDetect = np.zeros((3781),np.float32)for i in range(0,3780):myDetect[i] = resultArray[0,i]myDetect[3780] = rho[0]# rho svm （判决）myHog = cv2.HOGDescriptor()myHog.setSVMDetector(myDetect)# load imageSrc = cv2.imread('Test2.jpg',1)# (8,8) win objs = myHog.detectMultiScale(imageSrc,0,(8,8),(32,32),1.05,2)# xy wh 三维 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])# 绘制展示cv2.rectangle(imageSrc,(x,y),(x+w,y+h),(255,0,0),2)cv2.imshow('dst',imageSrc)cv2.waitKey(0)
如果觉得《OpenCV人工智能图像处理学习笔记 第6章 计算机视觉加强之机器学习下 Hog_SVM小狮子识别》对你有帮助，请点赞、收藏，并留下你的观点哦！
