本文共计2483个文字，预计阅读时间需要10分钟。
这里总结一下网上找到的OpenCV官方SVM代码，提供一个简单的框架供大家参考。
1. 首先，在OpenCV官方网站（http://www.opencv.org.cn/opencvdoc2.3.2//h/）上找到SVM相关文档，了解SVM的基本原理和使用方法。
2. 下载OpenCV源代码，并按照官方文档中的说明进行编译安装。
3. 在自己的项目中引入OpenCV库，并包含SVM相关的头文件。
4. 创建一个SVM对象，并设置相应的参数，如核函数、参数等。
5. 准备训练数据集，将数据集分为训练集和测试集。
6. 使用训练集对SVM进行训练。
7. 使用测试集对训练好的SVM进行评估，计算准确率等指标。
8. 根据需要，调整SVM参数，优化模型性能。
以下是一个简单的示例代码：
cpp#include #include
int main() { // 创建SVM对象 cv::Ptr svm=cv::ml::SVM::create();
// 设置SVM参数 svm->setKernelType(cv::ml::SVM::RBF); svm->setType(cv::ml::SVM::C_SVC); svm->setC(1.0); svm->setGamma(0.5);
// 准备训练数据集 cv::Mat samples=cv::Mat::zeros(100, 2, CV_32F); cv::Mat labels=cv::Mat::zeros(100, 1, CV_32F);
// 训练SVM svm->train(samples, cv::ml::ROW_SAMPLE, labels);
// 评估SVM cv::Mat test_samples=cv::Mat::zeros(10, 2, CV_32F); cv::Mat test_labels=cv::Mat::zeros(10, 1, CV_32F);
double accuracy=svm->predict(test_samples, test_labels); std::cout << Accuracy: <
return 0;}
这个示例代码展示了如何使用OpenCV的SVM进行分类任务。你可以根据自己的需求修改代码，实现不同的SVM应用。
这里总结网上自己找到的资料搞一个简单的框架供大家参考一下。OpenCV官方的SVM代码在www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html
在blog.csdn.net/sangni007/article/details/7471222看到一段还不错的代码结构清楚虽然注释比较少但很有参考价值于是我添加了一些注释看着更舒服。废话少说直接上代码
[cpp] view plaincopy
[cpp] view plaincopyprint #include "cv.h" #include "highgui.h" #include "stdafx.h" #include #include #include #include #include using namespace cv; using namespace std; int main(int argc, char** argv) { vector img_path;//输入文件名变量 vector img_catg; int nLine 0; string buf; ifstream svm_data( "E:/SVM_DATA.txt" );//首先这里搞一个文件列表把训练样本图片的路径都写在这个txt文件中使用bat批处理文件可以得到这个txt文件 unsigned long n; while( svm_data )//将训练样本文件依次读取进来 { if( getline( svm_data, buf ) ) { nLine ; if( nLine % 2 0 )//这里的分类比较有意思看得出来上面的SVM_DATA.txt文本中应该是一行是文件路径接着下一行就是该图片的类别可以设置为0或者1当然多个也无所谓 { img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型标志0,1注意这里至少要有两个类别否则会出错 } else { img_path.push_back( buf );//图像路径 } } } svm_data.close();//关闭文件 CvMat *data_mat, *res_mat; int nImgNum nLine / 2; //读入样本数量 因为是每隔一行才是图片路径所以要除以2 样本矩阵nImgNum横坐标是样本数量 WIDTH * HEIGHT样本特征向量即图像大小 data_mat cvCreateMat( nImgNum, 1764, CV_32FC1 ); //这里第二个参数即矩阵的列是由下面的descriptors的大小决定的可以由descriptors.size()得到且对于不同大小的输入训练图片这个值是不同的 cvSetZero( data_mat ); //类型矩阵,存储每个样本的类型标志 res_mat cvCreateMat( nImgNum, 1, CV_32FC1 ); cvSetZero( res_mat ); IplImage* src; IplImage* trainImgcvCreateImage(cvSize(64,64),8,3);//需要分析的图片这里默认设定图片是64*64大小所以上面定义了1764如果要更改图片大小可以先用debug查看一下descriptors是多少然后设定好再运行 //开始搞HOG特征 for( string::size_type i 0; i ! img_path.size(); i ) { srccvLoadImage(img_path[i].c_str(),1); if( src NULL ) { cout<<" can not load the image: "< continue; } cout<<" processing "< cvResize(src,trainImg); //读取图片 HOGDescriptor *hognew HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(8,8),cvSize(8,8),9); //具体意思见参考文章1,2 vectordescriptors;//结果数组 hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算 cout<<"HOG dims: "< //CvMat* SVMtrainMatcvCreateMat(descriptors.size(),1,CV_32FC1); n0; for(vector::iterator iterdescriptors.begin();iter!descriptors.end();iter) { cvmSet(data_mat,i,n,*iter);//把HOG存储下来 n; } //cout cvmSet( res_mat, i, 0, img_catg[i] ); cout<<" end processing "< } CvSVM svm CvSVM();//新建一个SVM CvSVMParams param;//这里是参数 CvTermCriteria criteria; criteria cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON ); param CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria ); /* SVM种类CvSVM::C_SVC Kernel的种类CvSVM::RBF degree10.0此次不使用 gamma8.0 coef01.0此次不使用 C10.0 nu0.5此次不使用 p0.1此次不使用 然后对训练数据正规化处理并放在CvMat型的数组里。 */ //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆ svm.train( data_mat, res_mat, NULL, NULL, param );//训练啦 //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆ svm.save( "SVM_DATA.xml" ); //检测样本 IplImage *test; vector img_tst_path; ifstream img_tst( "E:/SVM_TEST.txt" );//同输入训练样本这里也是一样的只不过不需要标注图片属于哪一类了 while( img_tst ) { if( getline( img_tst, buf ) ) { img_tst_path.push_back( buf ); } } img_tst.close(); CvMat *test_hog cvCreateMat( 1, 1764, CV_32FC1 );//注意这里的1764同上面一样 char line[512]; ofstream predict_txt( "SVM_PREDICT.txt" );//把预测结果存储在这个文本中 for( string::size_type j 0; j ! img_tst_path.size(); j )//依次遍历所有的待检测图片 { test cvLoadImage( img_tst_path[j].c_str(), 1); if( test NULL ) { cout<<" can not load the image: "< continue; } cvZero(trainImg); cvResize(test,trainImg); //读取图片 HOGDescriptor *hognew HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(8,8),cvSize(8,8),9); //具体意思见参考文章1,2 vectordescriptors;//结果数组 hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算 cout<<"HOG dims: "< CvMat* SVMtrainMatcvCreateMat(1,descriptors.size(),CV_32FC1); n0; for(vector::iterator iterdescriptors.begin();iter!descriptors.end();iter) { cvmSet(SVMtrainMat,0,n,*iter); n; } int ret svm.predict(SVMtrainMat);//获取最终检测结果这个predict的用法见 OpenCV的文档 std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret ); predict_txt< } predict_txt.close(); //cvReleaseImage( //cvReleaseImage( //cvReleaseImage( //cvReleaseImage( cvReleaseMat( cvReleaseMat( return 0; } 其中关于HOG函数HOGDescriptor见博客blog.csdn.net/raocong2010/article/details/6239431另外自己需要把这个程序嵌入到另外一个工程中去因为那里数据类型是Mat不是cvMat所以我又修改了上面的程序并且图片大小也不是固定的64*64需要自己设置一下图片大小因为太懒直接把改好的程序放过来
[cpp] view plaincopy#include "stdafx.h" #include "cv.h" #include "highgui.h" #include "stdafx.h" #include #include #include #include #include using namespace cv; using namespace std; int main(int argc, char** argv) { int ImgWidht 120; int ImgHeight 120; vector img_path; vector img_catg; int nLine 0; string buf; ifstream svm_data( "E:/apple/SVM_DATA.txt" ); unsigned long n; while( svm_data ) { if( getline( svm_data, buf ) ) { nLine ; if( nLine < 5 ) { img_catg.push_back(1); img_path.push_back( buf );//图像路径 } else { img_catg.push_back(0); img_path.push_back( buf );//图像路径 } } } svm_data.close();//关闭文件 Mat data_mat, res_mat; int nImgNum nLine; //读入样本数量 样本矩阵nImgNum横坐标是样本数量 WIDTH * HEIGHT样本特征向量即图像大小 //data_mat Mat::zeros( nImgNum, 12996, CV_32FC1 ); //类型矩阵,存储每个样本的类型标志 res_mat Mat::zeros( nImgNum, 1, CV_32FC1 ); Mat src; Mat trainImg Mat::zeros(ImgHeight, ImgWidht, CV_8UC3);//需要分析的图片 for( string::size_type i 0; i ! img_path.size(); i ) { src imread(img_path[i].c_str(), 1); cout<<" processing "< resize(src, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC); HOGDescriptor *hognew HOGDescriptor(cvSize(ImgWidht,ImgHeight),cvSize(16,16),cvSize(8,8),cvSize(8,8), 9); //具体意思见参考文章1,2 vectordescriptors;//结果数组 hog->compute(trainImg, descriptors, Size(1,1), Size(0,0)); //调用计算函数开始计算 if (i0) { data_mat Mat::zeros( nImgNum, descriptors.size(), CV_32FC1 ); //根据输入图片大小进行分配空间 } cout<<"HOG dims: "< n0; for(vector::iterator iterdescriptors.begin();iter!descriptors.end();iter) { data_mat.at(i,n) *iter; n; } //cout res_mat.at(i, 0) img_catg[i]; cout<<" end processing "< } CvSVM svm CvSVM(); CvSVMParams param; CvTermCriteria criteria; criteria cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON ); param CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria ); /* SVM种类CvSVM::C_SVC Kernel的种类CvSVM::RBF degree10.0此次不使用 gamma8.0 coef01.0此次不使用 C10.0 nu0.5此次不使用 p0.1此次不使用 然后对训练数据正规化处理并放在CvMat型的数组里。 */ //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆ svm.train( data_mat, res_mat, Mat(), Mat(), param ); //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆ svm.save( "E:/apple/SVM_DATA.xml" ); //检测样本 vector img_tst_path; ifstream img_tst( "E:/apple/SVM_TEST.txt" ); while( img_tst ) { if( getline( img_tst, buf ) ) { img_tst_path.push_back( buf ); } } img_tst.close(); Mat test; char line[512]; ofstream predict_txt( "E:/apple/SVM_PREDICT.txt" ); for( string::size_type j 0; j ! img_tst_path.size(); j ) { test imread( img_tst_path[j].c_str(), 1);//读入图像 resize(test, trainImg, cv::Size(ImgWidht,ImgHeight), 0, 0, INTER_CUBIC);//要搞成同样的大小才可以检测到 HOGDescriptor *hognew HOGDescriptor(cvSize(ImgWidht,ImgHeight),cvSize(16,16),cvSize(8,8),cvSize(8,8),9); //具体意思见参考文章1,2 vectordescriptors;//结果数组 hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算 cout<<"The Detection Result:"< cout<<"HOG dims: "< Mat SVMtrainMat Mat::zeros(1,descriptors.size(),CV_32FC1); n0; for(vector::iterator iterdescriptors.begin();iter!descriptors.end();iter) { SVMtrainMat.at(0,n) *iter; n; } int ret svm.predict(SVMtrainMat); std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret ); printf("%s %d\r\n", img_tst_path[j].c_str(), ret); getchar(); predict_txt< } predict_txt.close(); return 0; } 就到这里吧再整理一下思路。如果运行的时候出现Link错误有可能是没有附加依赖项要添加opencv_objdetect230d.lib我的OpenCV是2.3版本所以这里是230.
