我需要在 SVM 的预测时间计算 hist 吗？

Posted 2023-03-12

【中文标题】我需要在 SVM 的预测时间计算 hist 吗？

【英文标题】：Do I need to calculate hist at prediction time in SVM?

【发布时间】：2019-12-20 22:59:27

【问题描述】：

我正在使用以下代码训练我的数据集：

for file in glob.glob('C:\*.png'):
    image = cv2.imread(file, 1)
    image = cv2.resize(img, (60, 120))
    hog = cv2.HOGDescriptor((60,120), (8,8), (4,4), (4,4), 9)
    hist = hog.compute(image)
    samples.append(hist)
    labels.append(-1)

我正在使用hist = hog.compute(image)。这段代码在训练部分，但是当我做预测部分时：

hog = cv2.HOGDescriptor((60,120), (8,8), (4,4), (4,4), 9)
svm = cv2.ml.SVM_load('svm_data.xml')
sv = svm.getSupportVectors()
rho, alpha, svidx = svm.getDecisionFunction(0)
svm_new = np.append(sv, -rho)
hog.setSVMDetector(svm_new)

我没有使用hist = hog.compute(image)，结果也不是很好。使用Multiscale时是否需要在预测部分使用hog.compute？

found, w = hog.detectMultiScale(img,hitThreshold=0,winStride=(8,8),padding=(16,16), scale=1.05, finalThreshold = 2.0,useMeanshiftGrouping=False)

当我尝试使用它时，它会报错，没有它，我不会得到好的结果。我在训练部分或预测部分做错了吗？

更新：用于训练 SVM 的完整代码：

samples = []
labels = []    
for filename in glob.glob('C:\*.png'):
    img = cv2.imread(filename, 0)
    img = cv2.resize(img, (160, 320))
    hog = cv2.HOGDescriptor((160,320), (16,16), (8,8), (8,8), 9)
    hist = hog.compute(img)
    samples.append(hist)
    labels.append(+1)

for file in glob.glob("C:\\*.jpg"):
    img = cv2.imread(file, 0)
    img = cv2.resize(img, (160, 320))
    hog = cv2.HOGDescriptor((160,320), (16,16), (8,8), (8,8), 9)
    hist = hog.compute(img)
    samples.append(hist)
    labels.append(-1)

# Convert objects to Numpy Objects
samples = np.float32(samples)
labels = np.array(labels)

# Shuffle Samples
rand = np.random.RandomState(321)
shuffle = rand.permutation(len(samples))
samples = samples[shuffle]
labels = labels[shuffle]

# Create SVM classifier
svm = cv2.ml.SVM_create()
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
# Train
svm.train(samples, cv2.ml.ROW_SAMPLE, labels)
svm.save('C:\svm_data.xml')

用于预测的代码：

sample=[]
hog = cv2.HOGDescriptor((160,320), (16,16), (8,8), (8,8), 9)
svm = cv2.ml.SVM_load('C:\svm_data.xml')
sv = svm.getSupportVectors()
rho, alpha, svidx = svm.getDecisionFunction(0)
svm_new = np.append(sv, -rho)
hog.setSVMDetector(svm_new)

for file in glob.glob("C:\\Test\\*.jpg"): 
    img = cv2.imread(file, 0) 
    img = cv2.resize(img, (160, 320))
    hog = cv2.HOGDescriptor((160,320), (16,16), (8,8), (8,8), 9)
found, w = hog.detectMultiScale(img,hitThreshold=0,winStride=(8,8),padding=(16,16), scale=1.05, finalThreshold = 2.0,useMeanshiftGrouping=False)
   for (x, y, w, h) in found:
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
   cv2.imshow("Image", img)
   cv2.waitKey()

【参考方案1】：

根据您的代码，所有示例都属于同一类：

labels.append(-1)

您的 SVM 分类器无法从中学到任何东西。您需要向 SVM 呈现正样本（标记为 1）和负样本（通常标记为 0 或 -1）。如果您的数据集是平衡的，这将很有帮助：即正面和负面图像的数量大致相同。

在正确训练您的 SVM 并使用 hog.detectMultiScale() 或 hog.detect() 使 hog 意识到它（通过 hog.setSVMDetector()）后，将“自动”报告正匹配。它结合了两个操作：计算 HOG 描述符并使用提供的 SVM 对它们进行分类。此外hog.detectMultiScale() 自动增加图像并可选择对重叠检测进行分组。

现在为什么在训练阶段需要hog.compute(image)：它会计算原始 HOG 描述符。这是分类器的输入。这些描述符只是以特定方式计算的一堆数字，它们本身并不表示您在图像中是否存在您正在寻找的对象。要做出这个决定，你需要某种分类器，而 SVM 只是一个可能的选择。您不必使用它，它通常只会产生非常好的结果，并且作为默认设置包含在内。

更新 看看如何在 OpenCV example 中完成预测：

【讨论】：

我用代码更新了问题，我正在做+1部分，我只在我的代码中添加了-1部分，我的数据集是平衡的，负数和正数都是1500。

代码运行良好，但结果一点也不好，大约 0%，这就是为什么我问我是否需要在 hog.compute(image) 的某个地方工作

答案仍然是否定的。您的代码看起来没问题。可能是您搜索的对象太复杂。尝试以下操作：在对样本进行洗牌后，获取前 80% 的数据并训练您的 SVM。其余时间运行svm.predict()。将结果与标签进行比较。它会告诉你你的分类器有多好。

hist 的尺寸是多少？如果不是一维向量，应该使用.ravel()

我正在使用 '.ravel()' 它只是不在上面的代码中。因为我也尝试过不使用 ravel。我正在检测眉毛。