为 SVM 自定义对象检测器分离正负样本

Question

我正在尝试通过在 OpenCV 上使用 HOG+SVM 方法来训练自定义对象检测器。

我已经成功地使用下面的代码行从我的正样本和负样本中提取了 HOG 特征：

import cv2

hog = cv2.HOGDescriptor()
def poshoggify():

        for i in range(1,20):
            image = cv2.imread("/Users/munirmalik/cvprojek/cod/pos/" + str(i)+ ".jpg")
            (winW, winH) = (500, 500)

            for resized in pyramid(image, scale=1.5):
                # loop over the sliding window for each layer of the pyramid
                for (x, y, window) in sliding_window(resized, stepSize=32, windowSize=(winW, winH)):
                    # if the window does not meet our desired window size, ignore it
                    if window.shape[0] != winH or window.shape[1] != winW:
                        continue

                    img_pos = hog.compute(image)
                    np.savetxt('posdata.txt',img_pos)

                    return img_pos

以及负样本的等效函数。

如何格式化数据，让 SVM 知道哪个是正的，哪个是负的？

此外，我如何将这种训练转化为通过网络摄像头检测所需对象的“测试”？

Answer 1

如何格式化数据，让 SVM 知道哪个是正的，哪个是负的？

您现在将创建另一个名为labels 的列表，该列表将存储与相应图像关联的类值。例如，如果您有一组如下所示的特征训练集：

features = [pos_features1, pos_features2, neg_features1, neg_features2, neg_features3, neg_features4]

你会有一个相应的标签类，比如

labels = [1, 1, 0, 0, 0, 0]

然后你可以像这样将它提供给一个分类器：

clf=LinearSVC(C=1.0,  class_weight='balanced')
clf.fit(features,labels)

此外，如何将这种训练转化为通过网络摄像头检测所需对象的“测试”？

在训练之前，您应该将标记数据集（groundtruth）拆分为训练和测试数据集。您可以使用skilearns KFold module 来执行此操作。