Hu 矩和 SVM 不起作用

Posted 2023-03-12

【中文标题】Hu 矩和 SVM 不起作用

【英文标题】：Hu moments and SVM does not work

【发布时间】：2014-05-15 02:13:16

【问题描述】：

我在尝试使用 SVM 训练数据时遇到了一个问题。 我从人脸图像中得到了一些不同的区域（一组连接的像素），而眼睛的区域非常相似，所以我想使用 Hu 矩进行形状描述和 SVM 进行训练。 但是 SVM 不能正常工作，方法 svm.predict 之后将所有内容评估为非眼睛，此外，在训练阶段标记和使用的相同区域作为眼睛，被评估为非眼睛。 特征数据仅包含 7 个 Hu 矩。稍后我会在这里发布一些源代码示例，在此先感谢:)

---

附加信息：

输入图像： http://i.stack.imgur.com/GyLO0.png

为 1 张图片设置基本 svm：

int image_regions = 10; 
Mat training_mat(image_regions ,7,CV_32FC1);  // 7 hu moments
Mat labels(image_regions ,1,CV_32FC1);  // for labels 1 (eye) and -1 (non eye)

 // computing hu moments
 Moments moments2=moments(croppedImage,false);
 double hu[7];
 HuMoments(moments2,hu);

 // putting them into svm traning mat
 for (int k=0;k<huCounter;k++)
 training_mat.at<float>(counter,k) = hu[k];   // counter is current number of region
 if (isEye(...))
 
  labels.at<float>(counter,0)=1.0;
 
 else
 
   labels.at<float>(counter,0)=-1.0;
 

 //I use the following:
    CvSVM svm;
    CvSVMParams params;
    params.svm_type    = CvSVM::C_SVC;
    params.kernel_type = CvSVM::LINEAR;
    params.term_crit   = cvTermCriteria(CV_TERMCRIT_ITER, 1000, 1e-6);
    // ... do the above mentioned phase, and then: 
    svm.train(training_mat, labels, Mat(), Mat(), params);

【问题讨论】：

7 个幽默可能不足以进行分类的“特征空间”

你只有 10 个特征/幽默来训练？

大家好，我只是在对训练阶段使用的相同数据进行训练后尝试运行 SVM，但我仍然得到 svmpredict() 响应 -1（非眼睛）的结果，甚至在标记为 1（眼睛）的特征上

【参考方案1】：

希望下面的建议可以帮到你……..

最简单的任务是使用聚类算法并尝试将数据聚类为两类。如果像“k-means”这样的算法可以完成这项工作，为什么还要使用 SVM 和神经网络来让事情变得复杂。我建议您使用这种技术，因为您的特征向量维度非常小（7 Hu Moments）以及您的样本数量。

执行特征归一化（在第 4 点中指定）以确保值落在有限范围内。

查看“您的数据真的可分离吗？”由于您的数据很小，请从正图像中获取一些样本，从负图像中获取一些样本并绘制特征向量。如果您可以直观地看到差异，那么任何学习算法都可以为您完成这项工作。正如我之前所说，简单的技巧比复杂的数学做得更好。

只有当您决定使用 SVM 时，您才应该了解以下内容：

• 从您的代码中可以看出，您使用的是线性 SVM，可能是您的数据不能被线性内核分离。尝试使用一些多项式内核或其他内核。 openCV 有一个选项 bool CvSVM::train_auto 看看就好。

• 尝试检查你得到的特征向量值是否是正确的值（确保它们不是一些垃圾值）。

• 您还可以在将其用于训练之前执行特征归一化“ZERO MEAN and UNIT VARIENCE”。

• 最重要的是增加训练图像的数量，包括正面和负面标记。

• 最后但同样重要的是，SVM 并不神奇，归根结底，它只是在两组点之间画一条线。所以不要指望它会把你给它的任何东西分类为输入。

如果没有任何效果“只需改进您的特征提取技术”