EmguCv 中使用哪种策略进行 SVM 分类？

Posted 2023-03-16

【中文标题】EmguCv 中使用哪种策略进行 SVM 分类？

【英文标题】：Which strategy is used in EmguCv for SVM Classification?

【发布时间】：2016-02-18 14:02:17

【问题描述】：

目前我正在做我的学术项目（社交媒体网站）。我的意图是当用户发布一张图片时，系统应该识别出这张脸并用她的名字进行标记。

作为之前的工作，我创建了 5 个用户。 对于训练图像，当用户设置她的个人资料照片时，系统将使用 EmguCv (DetectHaarCascade) 检测它并将图像作为位图保存在文件夹中。该人脸的标签将是用户的用户 ID，标签保存在文件夹内的文本文件中。 作为训练图像，我为每个用户上传并标记了 10 张图像。

下一部分是用户发布照片时。系统应该识别出这张脸并用她的名字标记它。我正在使用 SVM 进行识别和分类。

我的检测码：

    //Face Detection
    MCvAvgComp[][] facesDetected = gray.DetectHaarCascade(
                      haar,
                      1.2,
                      4,
                      HAAR_DETECTION_TYPE.DO_CANNY_PRUNING,
                      new Size(20, 20));
    foreach (MCvAvgComp f in facesDetected[0])
    
     result = currentFrame.Copy(f.rect).Convert<Gray, byte>().Resize(100, 100, Emgu.CV.CvEnum.INTER.CV_INTER_CUBIC);
     // at the beginning i am added all the existing images to an List<Image<Gray, byte>> trainingImages and labels to List<string> labels 
     trainingImages.Add(result );
     labels.Add(Session["UserId"].ToString())
     File.WriteAllText((Server.MapPath("~/TrainedFaces/TrainedLabels.txt")), trainingImages.ToArray().Length.ToString() + "%");

       for (int i = 1; i < trainingImages.ToArray().Length + 1; i++)
       
        //saving the trained images and labells
        trainingImages.ToArray()[i - 1].Save(Server.MapPath("~/TrainedFaces/") + "face" + i + ".bmp");
        File.AppendAllText(Server.MapPath("~/TrainedFaces/TrainedLabels.txt"), labels.ToArray()[i - 1] + "%");
       
   

我的 SVM 训练代码：

/*
1. Loaded all the images to trainingImages
2.Loaded all the labels to labels
*/

// Converting My labesl and images to Matrix for preparing training data and training label    

     Matrix<float> TrainindData = new Matrix<float>(trainingImages.Count, 100 * 100);
        int ii = 0;

        foreach (Image<Gray, float> img in trainingImages)
        
            int jj = 0;
            Matrix<float> Imagemtrx = new Matrix<float>(img.Width, img.Height);
            img.CopyTo(Imagemtrx);
            for (int k = 0; k < Imagemtrx.Rows; k++)
            
                for (int j = 0; j < Imagemtrx.Cols; j++)
                
                    TrainindData.Data[ii, jj] = Imagemtrx[k, j];
                    jj++;
                
            
            ii++;
        
        Matrix<float> TrainedLabels = new Matrix<float>(labels.Count, 1);
        int kk = 0;
        foreach (int lab in labels)
        
            TrainedLabels[kk, 0] = lab;
            kk++;
        

     SVM model = new SVM();

     SVMParams p = new SVMParams();
        p.KernelType = Emgu.CV.ML.MlEnum.SVM_KERNEL_TYPE.LINEAR;
        //p.SVMType = Emgu.CV.ML.MlEnum.SVM_TYPE.ONE_CLASS;
        p.SVMType = Emgu.CV.ML.MlEnum.SVM_TYPE.C_SVC;
        p.C = 1;
        p.TermCrit = new MCvTermCriteria(100, 0.00001);

        bool trained = model.Train(TrainindData, TrainedLabels, null, null, p);

我的识别和分类代码：

MCvAvgComp[][] faces=grayFrame.DetectHaarCascade(haar,1.2,10,HAAR_DETECTION_TYPE.DO_CANNY_PRUNING,new Size(20, 20));
foreach (MCvAvgComp face in faces[0])
        
            InputFrame.Draw(face.rect, new Bgr(Color.Red), 1);
            t = t + 1;
            Image<Gray, float> result = InputFrame.Copy(face.rect).Convert<Gray, float>().Resize(100, 100, Emgu.CV.CvEnum.INTER.CV_INTER_CUBIC);
            //result._EqualizeHist();
            Matrix<float> TestImageMatix = new Matrix<float>(result.Width, result.Height);
            result.CopyTo(TestImageMatix);
            Matrix<float> TestData = new Matrix<float>(1, result.Width * result.Height);
            int z = 0;
            for (int k = 0; k < TestImageMatix.Rows; k++)
            
                for (int j = 0; j < TestImageMatix.Cols; j++)
                
                    TestData.Data[0, z] = TestImageMatix[k, j];
                    z++;
                
            
            //Here I will Get the UserId as class label. I can find name from database using this Id
            float result1 = model.Predict(TestData);

现在的问题是，当我上传属于任何现有类的图像时，它会正确识别和识别人。但是当我发布一张不同的照片（社交媒体中不存在的人的照片）时，它会被分配给现有的类别标签之一。

我的问题是：

我只想识别合适的人。剩余的可以标记为未知或其他（我不知道是否需要任何其他方法）

我读到了“一对一”和“一对一”的策略。我的代码中使用了哪一个？

如果没有人使用，那么如何实现呢？

Emgu CV 已经包含 SVM。 It中使用了哪种类型？

【参考方案1】：

我读到了“一对一”和“一对一”的策略。我的代码中使用了哪一个？如果没有人使用，那么如何实现它们？ Emgu CV 已经包含 SVM。里面用的是什么类型？

您正在使用 One vs All 策略，该策略在 OpenCV 中使用 n*(n-1)/2 One Vs One 分类器实现（n 是标签的数量）。

我只想识别合适的人。剩余的可以标记为未知或其他（我不知道是否需要任何其他方法）

您可以构建n*(n-1)/2 One Vs One 分类器，然后从predict 获得原始响应（仅适用于 2 类问题）。大多数响应标识输出类。 如果分类类别的最大响应低于阈值，则可以说如果正确识别，则没有类别。

或者您可以使用n 一类分类器，然后再次检查每个分类器的响应是否低于给定阈值。

【讨论】：

通过查看我的代码，您能否建议我从一对一更改为一对一的重写内容，以及如何获得多数响应？ @三木

不，对不起，我不会用 C# 编写代码。这些是一般准则。

你能给出构建 n*(n-1)/2 分类器的步骤吗？在哪里指定这个 n*(n-1)/2？ @三木

类似：for i = 1 : n for j = i+1 : n train one vs one with labels (i,j)

好的。 ！然后如何组合火车以及我应该在哪里编写预测代码@Miki