SVM樣本訓練步驟

SVM樣本訓練步驟

本文轉載，本文轉載！！！！！

尊重原創，轉載本文請說明出處：http://blog.csdn.net/xw20084898/article/details/21389885

1、引言

近期在做飛形體目標識別的研究，需要做SVM訓練來生成識別的分類器。從網上找了大量的參考文章，但是發現很多文章都講的比較零散。鑑於此原因，本文對SVM訓練過程做一個較爲系統的總結，希望對廣大初學者有所幫助。

2、步驟

（1）生成SVM描述文件；

將需要訓練的樣本文件的路徑和對應的分類類別號寫入txt文檔，如：

plane/飛機訓練正樣本Normalize/0.jpg
1
plane/飛機訓練正樣本Normalize/1.jpg            命名爲：SVM_DATA.txt

1

（2）將描述文件讀入容器中；

定義兩個容器，用於保存樣本路徑和分類標號，如：

 vector<string> img_path;  
         vector<int> img_catg;  

讀入數據：

         int nLine = 0;  
   string buf;  
   ifstream svm_data( "SVM_DATA.txt" ); 

 while( svm_data )
        {
            if( getline( svm_data, buf) )
        /*原型
　　istream& getline ( istream &is , string &str , char delim ); 　　istream& getline ( istream& , string& );
參數  is 進行讀入操作的輸入流 　　str 存儲讀入的內容 　　delim 終結符    返回值 與參數is是一樣的
功能  將輸入流is中讀到的字符存入str中，直到遇到終結符delim才結束。
  對於第一個函數delim是可以由用戶自己定義的終結符；對於第二個函數delim默認爲 '\n'（換行符）。
  函數在輸入流is中遇到文件結束符（EOF）或者在讀入字符的過程中遇到錯誤都會結束。
  在遇到終結符delim後，delim會被丟棄，不存入str中。在下次讀入操作時，將在delim的下個字符開始讀入。*/
            {
            nLine ++;
            if( nLine % 2 == 0 )
                {
                     img_catg.push_back( atoi( buf.c_str() ) );//atoi將字符串轉換成整型，值爲0或1  用0,1區分正負樣本
                     //功 能： 把字符串轉換成整型數。 　　名字來源：array to integer 的縮寫。
                     //原型： int atoi(const char *nptr);
//函數說明: 參數nptr字符串，如果第一個非空格字符不存在或者不是數字也不是正負號則返回零，否則開始做類型轉換，
//之後檢測到非數字(包括結束符 \0) 字符時停止轉換，返回整型數。
                    // 函數聲明：const char *c_str(); 　　c_str()函數返回一個指向正規C字符串的指針, 內容與本string串相同.
            }
            else
                {
                img_path.push_back( buf );//圖像路徑
                }
            }
        }
        svm_data.close();//關閉文件

（3）讀入樣本數量，生成樣本矩陣和類型矩陣

CvMat *data_mat, *res_mat;
        int nImgNum = nLine / 2;            //讀入樣本數量
    ////樣本矩陣，nImgNum：橫座標是樣本數量， WIDTH * HEIGHT：樣本特徵向量，即圖像大小
        data_mat = cvCreateMat( nImgNum, 144, CV_32FC1 );
        cvSetZero( data_mat );
        //類型矩陣,存儲每個樣本的類型標誌
        res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );
        cvSetZero( res_mat );

（4）讀入樣本圖像

IplImage* src;
    IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3);//需要分析的圖片


    for( string::size_type z = 0; z != img_path.size(); z++ )    //整體循環爲z
    {
           src=cvLoadImage(img_path[z].c_str(),1);
        // 函數聲明：const char *c_str();c_str()函數返回一個指向正規C字符串的指針, 內容與本string串相同.
            if( src == NULL )
            {
                cout<<" can not load the image: "<<img_path[z].c_str()<<endl;
               continue;
            }

            cout<<" processing "<<img_path[z].c_str()<<endl;

（5）提取HOG特徵

 //以下爲提取Hog特徵
               cvResize(src,trainImg);   //讀取圖片，歸一化大小
               HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(16,16),cvSize(16,16),9);

                vector<float>descriptors;//結果數組
                hog->compute(trainImg, descriptors,Size(8,8), Size(0,0)); //調用計算函數開始計算
                cout<<"HOG dims: "<<descriptors.size()<<endl;
                //CvMat* SVMtrainMat=cvCreateMat(descriptors.size(),1,CV_32FC1);
                n=0;
                for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)    //迭代器
                {
                cvmSet(data_mat,z,n,*iter);   //將HOG特徵 存入data_mat矩陣中
x=cvmGet(data_mat,z,n);
cout<<"hog"<<x<<endl;
                    n++;
                }

（6）將HOG特徵寫入txt文件

FILE *fp1;
    int i,j;
    if((fp1=fopen("Hog.txt","ab"))==NULL)// 讀寫打開一個二進制文件，允許讀或在文件末追加數據。
    {
        printf("can not open the hu file\n");
        exit(0);//正常退出程序
    }
    for (i = 0; i <144; ++i)
    {
        fprintf(fp1,"%lf ",descriptors[i]);
    }
        //fprintf(fp1,"\r\n");
    fclose(fp1);

                cvmSet( res_mat, z, 0, img_catg[z] );   //將正負樣本標記存入矩陣res_mat中
                cout<<" end processing "<<img_path[z].c_str()<<" "<<img_catg[z]<<endl;
    }

（7）進行SVM訓練

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種類：CvSVM::C_SVC
    Kernel的種類：CvSVM::RBF
    degree：10.0（此次不使用）
    gamma：8.0
   coef0：1.0（此次不使用）
    C：10.0
    nu：0.5（此次不使用）
   p：0.1（此次不使用）
   然後對訓練數據正規化處理，並放在CvMat型的數組裏。
                                                        */
    //SVM學習
    svm.train( data_mat, res_mat, NULL, NULL, param );
    //利用訓練數據和確定的學習參數,進行SVM學習
    svm.save( "SVM_DATA1.xml" );

    cvReleaseImage(&src);
    cvReleaseMat( &data_mat );
    cvReleaseMat( &res_mat );
     return 0;

在以上訓練過程中，要特別注意的是在創建樣本矩陣的時候，其矩陣大小由樣本數量和樣本提取的特徵維數決定的。比如上面創建的樣本矩陣大小爲：

int nImgNum = nLine / 2; 行，144列；  144是由提取HOG特徵時，由窗口大小、塊大小、胞元大小和每個抱怨大小中的特徵數共同決定的。