C++ OpenCV SVM 预测不工作

Posted 2023-03-12

【中文标题】C++ OpenCV SVM 预测不工作

【英文标题】：C++ OpenCV SVM Predict Not Working

【发布时间】：2015-03-15 02:03:06

【问题描述】：

试图创建一个功能性的SVM。我有 114 张训练图像、60 张正面图像/54 张负面图像和 386 张测试图像供 SVM 预测。

我将训练图像特征读入float，如下所示：

trainingDataFloat[i][0] = trainFeatures.rows;
trainingDataFloat[i][1] = trainFeatures.cols;

测试图像也是如此：

testDataFloat[i][0] = testFeatures.rows;
testDataFloat[i][2] = testFeatures.cols;

然后，使用 Micka 的 answer to this question，我将 testDataFloat 转换为一维数组，然后像这样将其输入到 Mat，以便在 SVM 上进行预测：

float* testData1D = (float*)testDataFloat;
Mat testDataMat1D(height*width, 1, CV_32FC1, testData1D);
float testPredict = SVMmodel.predict(testDataMat1D);

一切就绪后，就会出现以下调试错误：

cvPreparePredictData 中输入参数的大小不匹配（样本大小与用于训练的大小不同）

看着this post，我发现（感谢berak）：

“所有图像（用于训练和预测）的大小必须相同”

所以我添加了一个调整大小的功能，可以将图像重新调整为您希望的任意大小的正方形 (100x100, 200x200, 1000, 1000 etc.)

再次运行它，将图像重新调整到程序现在从中加载图像的新目录，我得到与以前完全相同的错误：

cvPreparePredictData 中输入参数的大小不匹配（样本大小与用于训练的大小不同）

我只是不知道该怎么做。为什么它仍然抛出该错误？

编辑

我变了

Mat testDataMat1D(TestDFheight*TestDFwidth, 1, CV_32FC1, testData1D);

到

Mat testDataMat1D(1, TestDFheight*TestDFwidth, CV_32FC1, testData1D);

并将.predict 放在将features 分配给float 的循环中，以便每个图像都单独分配给.predict，因为this question。随着 int 的交换，.cols = 1 和 .rows = TestDFheight*TestDFwidth 程序似乎实际运行，但随后在图像 160 (.exe has stopped working) 上停止...所以这是一个新问题。

编辑 2

添加了一个简单的

std::cout << testPredict;

查看 SVM 的确定输出，它似乎正匹配所有内容，直到 Image 160 停止运行：

【问题讨论】：

请发布您的svm.train(...); 行并详细说明您提供给它的参数。

我正在使用默认的 SVM 参数和火车：SVMmodel.train(trainingDataMat, labelsMat, Mat(), Mat(), SVMParams());

trainingDataMat 的尺寸是多少，您的训练和预测图像的尺寸是多少？

Training Mat: Mat trainingDataMat(height, width, CV_32FC1, trainingDataFloat); - height = 114 width = 2. 训练和测试的图像都调整为 500x500

根据***.com/questions/14694810/… 它应该类似于：Mat trainingDataMat(114, 500*500, CV_32FC1, trainingDataFloat); 而不是...其中 114 是输入图像的数量，而 500*500 是您想要输入的一维数组的大小稍后预测。

【参考方案1】：

请检查您的训练和测试特征向量。

我假设您的特征数据是某种形式的 cv::Mat，每行都包含特征。 在这种情况下，您希望您的训练矩阵是每个图像中每个特征矩阵的串联。 这些行看起来不正确：

trainingDataFloat[i][0] = trainFeatures.rows;
trainingDataFloat[i][1] = trainFeatures.cols;

这是将二维矩阵的元素设置为 trainFeatures 中的行数和列数。这与 trainFeatures 矩阵中的实际数据无关。

你想检测什么？如果每个图像都是正面和负面的例子，那么您是否试图检测图像中的某些东西？你有什么特点？

如果您尝试在每张图像的基础上检测图像中的对象，那么您需要一个特征向量在一个向量中描述整个图像。在这种情况下，您会对训练数据执行以下操作：

int N; // Set to number of images you plan on using for training
int feature_size; // Set to the number of features extracted in each image.  Should be constant across all images.

cv::Mat X = cv::Mat::zeros(N, feature_size, CV_32F); // Feature matrix
cv::Mat Y = cv::Mat::zeros(N, 1, CV_32F); // Label vector
// Now use a for loop to copy data into X and Y, Y = +1 for positive examples and -1 for negative examples
for(int i = 0; i < trainImages.size(); ++i)

  X.row(i) = trainImages[i].features; // Where features is a cv::Mat row vector of size N of the extracted features
  Y.row(i) = trainImages[i].isPositive ? 1:-1; 

// Now train your cv::SVM on X and Y.

【讨论】：

当你说“应该在所有图像中保持不变。”，你的意思是每个图像提取的特征数量应该相同吗？并设置feature_size 我会喂它trainFeatures.rows？你会在一个循环中完成所有这些，然后再训练吗？

另外，trainImages 将是 vector 是吗？而且我不明白你的措辞“特征是提取特征的大小为 N 的 cv::Mat 行向量”。

是的，要能够训练 SVM，您需要恒定数量的特征。我假设 trainImages 是所有特征图像结构的向量。该结构将只包含一个用于该图像特征的 cv::Mat 和一个布尔参数 isPositive，如果它是一个正类则为 true。

但是如果你将所有特征的SVM 和Mat 一起提供，为什么每张图像都需要检测到完全相同数量的特征呢？我的印象是，你不能一次训练一个 SVM ，而是给它一个 Mat，其中每个 row 包含每个单独图像的特征。

您确实需要将所有特征连接到我上面描述的 X 矩阵中。该矩阵每行包含一个样本。现在的问题更是如此，你在寻找什么？如果您从每个图像中提取可变数量的特征，并且您知道每个特征对应于您的目标，那么您可以在每个特征上训练 SVM 是可行的。但是例如，如果您要提取 sift 并在 sift 上训练 SVM，那么您正在训练 SVM 以基于单个提取点检测整个对象。所以请更清楚地描述你的目标。