程序師世界是廣大編程愛好者互助、分享、學習的平台,程序師世界有你更精彩!
首頁
編程語言
C語言|JAVA編程
Python編程
網頁編程
ASP編程|PHP編程
JSP編程
數據庫知識
MYSQL數據庫|SqlServer數據庫
Oracle數據庫|DB2數據庫
 程式師世界 >> 編程語言 >> C語言 >> C++ >> C++入門知識 >> C++開發人臉性別識別教程(6)——通過SVM實現性別識別

C++開發人臉性別識別教程(6)——通過SVM實現性別識別

編輯:C++入門知識

C++開發人臉性別識別教程(6)——通過SVM實現性別識別


  上一篇教程中我們介紹了如何使用OpenCv封裝的FaceRecognizer類實現簡單的人臉性別識別,這裡我們為大家提供另外一種基本的性別識別手段——支持向量機(SVM)。

  支持向量機在解決二分類問題方面有著強大的威力(當然也可以解決多分類問題),性別識別是典型的二分類模式識別問題,因此很適合用SVM進行處理,同時OpenCv又對SVM進行了很好的封裝,調用非常方便,因此我們在這個性別識別程序中考慮加入SVM方法。

  在這裡我們采用了HOG+SVM的模式來進行,即先提取圖像的HOG特征,然後將這些HOG特征輸入SVM中進行訓練。

  一、SVM概述

  SVM的數學原理十分復雜,我們不在這裡過多討論,有關OpenCv中SVM的用法,這裡為大家提供兩篇博客以供參考:OpenCV的SVM用法以及OpenCV 2.4+ C++ SVM介紹。

  二、HOG特征概述

  HOG特征是圖像的梯度特征,具體參見:目標檢測的圖像特征提取之(一)HOG特征

  三、建立訓練集

  這裡繼續沿用上一篇博文中提到的性別識別訓練集,400張男性人臉樣本400張女性人臉樣本,下載地址:性別識別數據集。

  四、算法的訓練與測試

  1、建立控制台工程,配置OpenCv環境

  這裡將工程命名為:GenderSVM。

  2、編寫批量讀取函數read_csv()

  只要涉及到訓練,都需要批量讀取訓練樣本的操作,SVM也不例外,因此需要先編寫批量讀取函數read_csv()。考慮到之前的批量讀取函數必須一次性將所有訓練樣本讀入內存中,內存消耗較大,在這裡做一個小小的改進:

void read_csv(String& csvPath,Vector& trainPath,Vector& label,char separator = ';')
{
    string line,path,classLabel;
    ifstream file(csvPath.c_str(),ifstream::in);
    while (getline(file,line))
    {
        stringstream lines(line);
        getline(lines,path,separator);
        getline(lines,classLabel);
        if (!path.empty()&&!classLabel.empty())
        {
            trainPath.push_back(path);
            label.push_back(atoi(classLabel.c_str()));
        }
    }
}

  可見這裡我們將輸入參數由vector改為vector,然後返回裝有訓練樣本的所有路徑的容器,需要時在根據其中的路徑進行讀取,降低了內存占用量。

  3、讀入訓練樣本路徑

    string trainCsvPath = "E:\\性別識別數據庫—CAS-PEAL\\at.txt";
    vector vecTrainPath;
    vector vecTrainLabel;
    read_csv(trainCsvPath,vecTrainPath,vecTrainLabel);

  順利批量讀入路徑:

\

  4、訓練初始化

  在提取HOG特征之前,需要初始化訓練數據矩陣:

    /**********初始化訓練數據矩陣**********/
    int iNumTrain = 800;
    Mat trainDataHog;
    Mat trainLabel = Mat::zeros(iNumTrain,1,CV_32FC1);

  需要強調的是SVM的訓練數據必須都是CV_32FC1格式,因此這裡顯式的將標簽矩陣trainLabel初始化為CV_32FC1格式,trainDataHog稍後進行初始化。

  5、提取圖像HOG特征

  接下來循環讀入所有的訓練樣本,提取HOG特征,放在訓練數據矩陣中。考慮嵌套代碼的復雜性,這裡先給出整體代碼,稍後解釋:

    /**********提取HOG特征,放入訓練數據矩陣中**********/
    Mat imageSrc;
    for (int i = 0; i < iNumTrain; i++)
    {
        imageSrc = imread(vecTrainPath[i].c_str(),1);
        resize(imageSrc,imageSrc,Size(64,64));
        HOGDescriptor *hog = new HOGDescriptor(cvSize(64,64),cvSize(16,16),
                                               cvSize(8,8),cvSize(8,8),9); 
        vector descriptor;
        hog->compute(imageSrc,descriptor,Size(1,1),Size(0,0));

        if (i == 0)
        {
            trainDataHog = Mat::zeros(iNumTrain,descriptor.size(),CV_32FC1);
        }

        int n = 0;
        for (vector::iterator iter = descriptor.begin();iter != descriptor.end();iter++)
        {
            trainDataHog.at(i,n) = *iter;
            n++;
        }
        trainLabel.at(i,0) = vecTrainLabel[i];
    }

  接下來我們對這段代碼進行詳細解釋。

  (1)循環讀入訓練樣本

  從vecTrainPath容器中逐條取出訓練樣本路徑,然後讀取:

        imageSrc = imread(vecTrainPath[i].c_str(),1);

  (2)尺寸歸一化

  我們這裡將圖像尺寸歸一化為64*64,這是因為當時在寫程序時參考了一篇關於HOG特征的博客。這裡的尺寸大家可以隨意設定,當然也會影響最終的識別效率,64*64可能並不是一個最優的尺寸:

        imageSrc = imread(vecTrainPath[i].c_str(),1);
        resize(imageSrc,imageSrc,Size(64,64));

  (3)計算HOG特征

  OpenCv給出的HOG特征計算接口非常簡潔,三句話即完成:

        HOGDescriptor *hog = new HOGDescriptor(cvSize(64,64),cvSize(16,16),
                                               cvSize(8,8),cvSize(8,8),9); 
        vector descriptor;
        hog->compute(imageSrc,descriptor,Size(1,1),Size(0,0));

  提取的特征以容器的數據 結構形式給出。至於計算時的參數設定,參見我之前提供的那兩篇博客即可。

  (4)初始化數據矩陣trainDataHog

  前面提到,SVM中用到的訓練數據矩陣必須是CV_32FLOAT形式的,因此需要對數據矩陣顯示的指定其尺寸和類型。然後由於trainDataHog行數為訓練樣本個數,而列數為圖片HOG特征的維數,因此無法在進行HOG特征提取之前確定其尺寸,因此這裡選擇在進行完第一張樣本的HOG特征、得到對應維數之後,在進行初始化:

        if (i == 0)
        {
            trainDataHog = Mat::zeros(iNumTrain,descriptor.size(),CV_32FC1);
        }

  (5)將得到的HOG特征存入數據矩陣

  得到的HOG特征是浮點數容器的形式,我們需要將其轉換成矩陣的形式以便於訓練SVM,這就涉及到了vector和Mat兩個數據結構的遍歷。vector遍歷這裡推薦使用迭代器的方式,而Mat遍歷這裡則選擇了相對耗時但是最簡單的方式——直接使用at函數:

        int n = 0;
        for (vector::iterator iter = descriptor.begin();iter != descriptor.end();iter++)
        {
            trainDataHog.at(i,n) = *iter;
            n++;
        }
        trainLabel.at(i,0) = vecTrainLabel[i];

  訓練得到的HOG特征如圖所示:

\

  可見在當前的參數設定下,提取到的HOG特征為1764維,共800張訓練樣本,每一行代表一個圖片的HOG特征向量。通過“ctrl+鼠標滾輪”放大觀察特征向量的具體參數:

\

  6、訓練SVM分類器

  有關OpenCv中SVM分類器的使用可以參見以下博客:OpenCV 2.4+ C++ SVM介紹。

  首先,初始化相關參數:

    /**********初始化SVM分類器**********/
    CvSVM svm;  
    CvSVMParams param;    
    CvTermCriteria criteria;      
    criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );      
    param = CvSVMParams(CvSVM::C_SVC, CvSVM::RBF, 
                        10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );  

  開始訓練、訓練完成後保存分類器:

    /**********訓練並保存SVM**********/
    svm.train(trainDataHog,trainLabel,Mat(),Mat(),param);
    svm.save("E:\\性別識別數據庫—CAS-PEAL\\SVM_SEX_Model.txt");

  注意我們這裡選擇將分類器保存為txt形式:

\

  當然,我們可以打開這個txt文件,查看裡面的參數:

\

  7、測試分類效果

  測試過程和訓練過程基本相同,讀取圖片、尺寸歸一化、提取HOG特征、預測:

    /**********測試SVM分類性能**********/
    Mat testImage = imread("E:\\性別識別數據庫—CAS-PEAL\\測試樣本\\女性測試樣本\\face_35.bmp");
    resize(testImage,testImage,Size(64,64));

    HOGDescriptor *hog = new HOGDescriptor(cvSize(64,64),cvSize(16,16),
        cvSize(8,8),cvSize(8,8),9); 
    vector descriptor;
    hog->compute(testImage,descriptor,Size(1,1),Size(0,0));

    Mat testHog = Mat::zeros(1,descriptor.size(),CV_32FC1);
    int n = 0;
    for (vector::iterator iter = descriptor.begin();iter != descriptor.end();iter++)
    {
        testHog.at(0,n) = *iter;
        n++;
    }

    int predictResult = svm.predict(testHog);

  8、完整代碼

 這裡給出HOG+SVM進行性別識別的完整代碼:

// GenderSVM.cpp : 定義控制台應用程序的入口點。
//

#include "stdafx.h"
#include 
#include 
#include 
#include 

using namespace std;
using namespace cv;

void read_csv(String& csvPath,vector& trainPath,vector& label,char separator = ';')
{
    string line,path,classLabel;
    ifstream file(csvPath.c_str(),ifstream::in);
    while (getline(file,line))
    {
        stringstream lines(line);
        getline(lines,path,separator);
        getline(lines,classLabel);
        if (!path.empty()&&!classLabel.empty())
        {
            trainPath.push_back(path);
            label.push_back(atoi(classLabel.c_str()));
        }
    }
}

int _tmain(int argc, _TCHAR* argv[])
{
    /**********批量讀入訓練樣本路徑**********/
    string trainCsvPath = "E:\\性別識別數據庫—CAS-PEAL\\at.txt";
    vector vecTrainPath;
    vector vecTrainLabel;
    read_csv(trainCsvPath,vecTrainPath,vecTrainLabel);

    /**********初始化訓練數據矩陣**********/
    int iNumTrain = 800;
    Mat trainDataHog;
    Mat trainLabel = Mat::zeros(iNumTrain,1,CV_32FC1);

    /**********提取HOG特征,放入訓練數據矩陣中**********/
    Mat imageSrc;
    for (int i = 0; i < iNumTrain; i++)
    {
        imageSrc = imread(vecTrainPath[i].c_str(),1);
        resize(imageSrc,imageSrc,Size(64,64));
        HOGDescriptor *hog = new HOGDescriptor(cvSize(64,64),cvSize(16,16),
            cvSize(8,8),cvSize(8,8),9); 
        vector descriptor;
        hog->compute(imageSrc,descriptor,Size(1,1),Size(0,0));

        if (i == 0)
        {
            trainDataHog = Mat::zeros(iNumTrain,descriptor.size(),CV_32FC1);
        }

        int n = 0;
        for (vector::iterator iter = descriptor.begin();iter != descriptor.end();iter++)
        {
            trainDataHog.at(i,n) = *iter;
            n++;
        }
        trainLabel.at(i,0) = vecTrainLabel[i];
    }

    /**********初始化SVM分類器**********/
    CvSVM svm;  
    CvSVMParams param;    
    CvTermCriteria criteria;      
    criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );      
    param = CvSVMParams(CvSVM::C_SVC, CvSVM::RBF, 
        10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );     

    /**********訓練並保存SVM**********/
    svm.train(trainDataHog,trainLabel,Mat(),Mat(),param);
    svm.save("E:\\性別識別數據庫—CAS-PEAL\\SVM_SEX_Model.txt");

    /**********測試SVM分類性能**********/
    Mat testImage = imread("E:\\性別識別數據庫—CAS-PEAL\\測試樣本\\女性測試樣本\\face_35.bmp");
    resize(testImage,testImage,Size(64,64));

    HOGDescriptor *hog = new HOGDescriptor(cvSize(64,64),cvSize(16,16),
        cvSize(8,8),cvSize(8,8),9); 
    vector descriptor;
    hog->compute(testImage,descriptor,Size(1,1),Size(0,0));

    Mat testHog = Mat::zeros(1,descriptor.size(),CV_32FC1);
    int n = 0;
    for (vector::iterator iter = descriptor.begin();iter != descriptor.end();iter++)
    {
        testHog.at(0,n) = *iter;
        n++;
    }
    int predictResult = svm.predict(testHog);

    return 0;
}

  五、總結

  以上就是通過HOG特征+SVM進行性別識別的完整代碼,在編寫代碼的過程中遇到了一些有趣的問題,這裡稍作總結。

  1、變量命名格式

  當代碼量很大的時候,變量的命名格式就顯得十分重要,相信大家早已不用那種a、b、m、n這種簡單的無意義的命名方法了。在C++中推薦大家使用匈牙利命名法,即“類型縮寫+變量名縮寫”的命名格式。例如vecTrainPath這個變量名,前綴“vec”表明這個變量是一個vector格式的變量,而“TrainPath”則表明這個容器中存放的是訓練樣本的路徑。這種命名方式在大型工程中非常重要,還有一點需要注意的是當變量名中出現多個縮略短語時,推薦第一個短語小寫,其他短語的首字母大寫。

  2、為何選擇HOG特征

  通過實驗發現,直接將圖像向量化後輸入SVM(不經過特征提取)的方式的正確率將不理想。雖然本質上像素本身最能代表圖像的語義信息,但由於SVM並不具備特征提取能力,因此效果不佳。確切的說,特征提取是模式分類的必要過程,即便是深度學習也不例外,因為深度學習(DeepLearning)本質上也是一種特征提取的手段,只不過提取得到的特征更深層,更抽象,表現力更強。為此我之前曾專門寫過一篇博客進行闡述:淺談模式識別中的特征提取

  當然這裡大家可以嘗試提取其他特征之後再進行分類,甚至可以考慮通過提起深度特征來進行分類,這裡只是以HOG特征為例而已。

  4、有關vector的一些使用(為什麼不用int型數組)

  在這段代碼中我們大量用到了vector結構,這是C++11的新特性。仔細觀察,其實vector結構的最明顯的一個優勢就是能夠動態分配大小,實時添加/刪除元素,這點是數組所不能實現的。雖然可以通過new操作符來實現數組的動態分配,但我們仍推薦大家在需要使用可動態變化的數組的場合,使用vector。

  5、Vectot和vector

  在編寫代碼是仔細留心編譯器給出的拼寫提示,會發現這樣一現象:

\

  那麼vector和Vector有什麼區別呢?一句話,Vector是OpenCv中的vector,類似的還有String和string等。Vector和String這類結構是隸屬於OpenCv的:

\

  OK,以上就是這次博文的所有內容,在接下來的博文中我們將開始進入MFC編程階段。 

  1. 上一頁:
  2. 下一頁:
Copyright © 程式師世界 All Rights Reserved