SVM을 사용하여 SUV와 세단 분류

Question

세단과 SUV의 이미지를 분류하는 OpenCV를 사용하여 SVM을 구현하려고합니다. 나는이 포스트를 많이 참고했다 : using OpenCV and SVM with images

나는 세단과 SUVs의 29 가지 훈련 이미지를 가지고 있으며, 따라서 나는 1 개의 정말로 긴 줄이되도록 각 이미지를 펼쳐서 트레이닝을한다. 29ximage_area 크기. 아래 그림은 training_mat이 모두 흰색으로 표시된다는 것을 보여줍니다. 나는 그것이 정확하지 않고 내 결과에 영향을 미칠 수 있습니다.

이는 training_mat이 플로트 유형이기 때문일 수 있습니다. 예를 들어, training_mat가 CV_8UC1로 변경되면, 각 이미지가 training_mat에서 펼쳐지지만 svm-> train 함수가 training_mat을 허용하지 않음을 분명히 볼 수 있습니다.

나는 감독 된 버전의 구현으로 labels_mat를 사용합니다. 1은 SUV를 의미하고 -1은 SUV를 의미합니다. 아래 그림에서 SVM 모델을 사용하여 SUV를 예측하려고하면 -800000000000과 같은 값을 얻습니다. 내가하는 일 (매개 변수 변경, 모든 흰색 테스트 이미지, 모든 검정 테스트 이미지 사용, 레이블을 1 또는 -1 만 변경)과 상관없이 항상 같은 -80000000000 값을 얻습니다. 지금 어떤 부정적인 결과라도 단지 -1 (세단 형 자동차)를 의미 할지도 모른다. 그러나 결코 변화하지 않기 때문에 나는 확신 할 수 없다. 누구든지이 점에 대해 통찰력을 가지고 있다면 감사하겠습니다.

여기 내 코드, 결과 및 모든 white training_mat가 있습니다.

int num_train_images = 29;  //29 images will be used to train the SVM 
int image_area = 150 * 200;  
Mat training_mat(num_train_images, image_area, CV_32FC1); // Creates a 29 rows by 30000 columns... 29 150x200 images will be put into 1 row per image 

                  //Converts 29 2D images into a really long row per image 
for (int file_count = 1; file_count < (num_train_images + 1); file_count++) 
{ 
    ss << name << file_count << type;  //'Vehicle_1.jpg' ... 'Vehicle_2.jpg' ... etc ... 
    string filename = ss.str(); 
    ss.str(""); 

    Mat training_img = imread(filename, 0);  //Reads the training images from the folder 

    int ii = 0;         //Scans each column 
    for (int i = 0; i < training_img.rows; i++) 
    { 
     for (int j = 0; j < training_img.cols; j++) 
     { 
      training_mat.at<float>(file_count - 1, ii) = training_img.at<uchar>(i, j); //Fills the training_mat with the read image 
      ii++; 
     } 
    } 
} 

imshow("Training Mat", training_mat); 
waitKey(0); 

//Labels are used as the supervised learning portion of the SVM. If it is a 1, its an SUV test image. -1 means a sedan. 
int labels[29] = { 1, 1, -1, -1, 1, -1, -1, -1, -1, -1, 1, -1, -1, -1, -1, -1, -1, 1, 1, 1, -1, -1, -1, -1, 1, 1, 1, -1, 1 }; 

//Place the labels into into a 29 row by 1 column matrix. 
Mat labels_mat(num_train_images, 1, CV_32S); 

cout << "Beginning Training..." << endl; 

//Set SVM Parameters (not sure about these values) 
Ptr<SVM> svm = SVM::create(); 
svm->setType(SVM::C_SVC); 
svm->setKernel(SVM::RBF); 
svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6)); 
svm->setGamma(1); 
svm->setDegree(3); 

cout << "Parameters Set..." << endl; 

svm->train(training_mat, ROW_SAMPLE, labels_mat); 

cout << "End Training" << endl; 

waitKey(0); 

Mat test_image(1, image_area, CV_32FC1);  //Creates a 1 x 1200 matrix to house the test image. 

Mat SUV_image = imread("SUV_1.jpg", 0);   //Read the file folder 

int jj = 0; 
for (int i = 0; i < SUV_image.rows; i++) 
{ 
    for (int j = 0; j < SUV_image.cols; j++) 
    { 
     test_image.at<float>(0, jj) = SUV_image.at<uchar>(i, j); //Fills the training_mat 
     jj++; 
    } 
} 

//Should return a 1 if its an SUV, or a -1 if its a sedan 
float result = svm->predict(test_image); 

if (result < 0) 
    cout << "Sedan" << endl; 
else 
    cout << "SUV" << endl; 

cout << "Result: " << result << endl; 

namedWindow("Test Image", CV_WINDOW_NORMAL); 
imshow("Test Image", SUV_image); 
waitKey(0); 

Answer 1

내가 가진 한이 문제에 대한 해결책을이 게시물을 참조하십시오. Using SVM with HOG Features to Classify Vehicles

이 기사에서는 이미지의 단순한 픽셀 값 대신 HOG 기능을 사용합니다. training_mat는 더 이상 흰색이 아니므로 분류 기준이 잘 작동합니다. 또한 출력 결과는 1 또는 -1입니다.