EmguCv 中使用哪种策略进行 SVM 分类?
Posted
技术标签:
【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?
【问题讨论】:
【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以上是关于EmguCv 中使用哪种策略进行 SVM 分类?的主要内容,如果未能解决你的问题,请参考以下文章