使用具有 HOG 特征的 SVM 对车辆进行分类

Question

我的目标是使用 SVM 和 HOG 特征对 SUV 和轿车进行分类。

首先，我读取了 86 张训练图像，计算了每张图像的 HOG 特征，并将它们放入一个大小为 86xdescriptorSize 的训练垫中，名为 HOGFeat_train。

Mat HOGFeat_train(num_train_images, derSize, CV_32FC1); //86xdescriptor size training Mat

for (int file_count = 1; file_count < (num_train_images + 1); file_count++) 
{
    ss << name << file_count << type;       //'Vehicle_1.jpg' ... 'Vehicle_2.jpg' ... etc ...
    string filename = ss.str();
    ss.str("");

    Mat training_img = imread(filename, 0);     //Reads the training images from the folder

    HOGDescriptor hog_train;
    vector<float> descriptors_train;
    vector<Point> locations_train;

    hog_train.compute(training_img, descriptors_train, Size(16, 16), Size(0, 0), locations_train); //not sure about these values

    for (int i = 0; i < descriptors_train.size(); i++)
        HOGFeat_train.at<float>(file_count-1, i) = descriptors_train.at(i);
}

接下来，我为 SVM 的监督学习部分创建了一个包含 86 个标签的 labels_mat（我知道这种方式不切实际且耗时，稍后我会修复）。 1 表示 SUV，-1 表示轿车。不确定这些 SVM 参数，但我尝试了不同的品种和值，但所有结果都是相同的。

float labels[86] = { 1, 1, -1, -1, 1, -1, -1, -1, -1, -1, 1, -1, -1, -1, -1, -1, -1, 1, 1, 1, -1, -1, -1, -1, 1, 1, 1, -1, 1, -1, -1, 1, 1, -1, -1, -1, -1, 1, -1, 1, 1, -1, 1, 1, -1, -1, -1, -1, 1, 1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, 1, 1, 1, 1, -1, -1, -1, 1, 1, 1, 1, 1, -1, 1, 1, 1, 1, 1, -1, -1, -1, 1, 1, -1, 1, -1};

Mat labels_mat(num_train_images, 1, CV_32S);

cout << "Beginning Training..." << endl;

Ptr<SVM> svm = SVM::create();
svm->setType(SVM::C_SVC);
svm->setKernel(SVM::LINEAR);
//svm->setDegree(3);
//svm->setGamma(2);
//svm->setC(.5);


cout << "Parameters Set..." << endl;

svm->train(HOGFeat_train, ROW_SAMPLE, labels_mat);

cout << "Training Successful" << endl;

接下来，我以与训练图像相同的方式读取 10 个测试图像，并再次计算 HOG 特征。在计算出 HOG 特征后，它们被放入 1 行 x descriptorSized HOGFeat_test Mat 中，然后我使用 svm->predict 那个 HOGFeat_test Mat 应该 return 的值为 -1 到表示轿车或 1 表示 SUV。

    Mat HOGFeat_test(1, derSize, CV_32FC1); //Creates a 1 x descriptorSize Mat to house the HoG features from the test image

for (int file_count = 1; file_count < (num_test_images + 1); file_count++)
{

    ss2 << name2 << file_count << type2;        //'Test_1.jpg' ... 'Test_2.jpg' ... etc ...
    string filename2 = ss2.str();
    ss2.str("");

    Mat test_image = imread(filename2, 0);          //Read the file folder

    HOGDescriptor hog_test;
    vector<float> descriptors_test;
    vector<Point> locations_test;

    hog_test.compute(test_image, descriptors_test, Size(16, 16), Size(0, 0), locations_test);

    for (int i = 0; i < descriptors_test.size(); i++)
        HOGFeat_test.at<float>(0, i) = descriptors_test.at(i);

    namedWindow("Test Image", CV_WINDOW_NORMAL);
    imshow("Test Image", test_image);

    //Should return a 1 if its an SUV, or a -1 if its a sedan
    float result = svm->predict(HOGFeat_test);

    if (result <= 0)
        cout << "Sedan" << endl;
    else
        cout << "SUV" << endl;

    cout << "Result: " << result << endl;

下图显示了结果、测试图像和 HOGFeat_train 垫子，以防对任何人有用。无论我使用什么值、参数或图像，结果 (Sedan, -8.412e08) 总是相同的。结果不是 -1 或 1，而是 -800000000000，我假设负值对应于 -1，但最重要的是我想知道为什么结果没有改变。有没有人对此有任何见解？谢谢。

编辑-------------------------------------

我删除了浮动标签中的所有标签[86]，并将其保留为浮动标签[86]； //{1、1、-1 等...}

这表明 SVM 结果没有差异，仍然能够成功训练。这告诉我我的标签没有通过 svm->train 函数或其他东西。我会继续调查。

Answer 1

所以这只是我对自己犯的一个愚蠢的错误。我用 float labels[86] 替换了标签；基本上我只是删除了 SVM 的监督学习部分，但我得到了完全相同的结果。检查后我发现我没有将标签填入 labels_mat!!!!!!

因此，执行以下操作可得到清晰的解决方案。此外，结果变为 1 和 -1 而不是 -8.412e-8。

垫子 labels_mat(num_train_images, 1, CV_32S, 标签);

使用具有 HOG 特征的 SVM 对车辆进行分类

Using SVM with HOG Features to Classify Vehicles

c++

opencv

machine-learning

svm

feature-extraction