SVMDetector как его сделать

[iskees 32]

В OpenCV есть несколько примеров с svm детектором, в частности детектор пешехода, как он работает в принципе понятно. Собственно вопрос в том, как сделать свой детектор имея в наличии базу верных и ошибочных изображений, так чтобы можно было написать

using (HOGDescriptor des = new HOGDescriptor())

            {

               des.SetSVMDetector(HOGDescriptor.GetDefaultPeopleDetector());

               regions = des.DetectMultiScale(image);

            }

и получить результат.

[Smorodov 579]

Если это SVM+HOG, то посмотрите пост №134:

http://www.compvision.ru/forum/index.php?showtopic=63&view=findpost&p=6651

[iskees 32]

В статье из поста выше, только теоретическое описание действий без описание подробностей. Получаются нужно делать следующее:

1. Подготовить выборку положительных и отрицательных изображений с размерами толи степенями двойки толи кратные ей

2. Рассчитать HOG дескрипторы изображений, используя HOGDescriptor::compute.

3. Собрать из этих дескрипторов некий файл, верность которого можно проверить функцией библиотеки libsvm/tools/checkdata

4. Обучить SVM детектор при помощи libsvm, проверить на тестовой выборке ложные срабатывание запихать в обучающую выборку и обучить снова и так пока терпения хватит

5. Выковырять из обученного SVM детектора <float> getDefaultPeopleDetector () который и можно будет скормить openCV и добавить в его конец порог который нужно подобрать эмпирически.

Будем разбирается дальше

[iskees 32]

В результате экспериментов выяснилось следующее:

Hog дескриптор считается методом Compute объекта HOGDescriptor. Для этого создаем этот объект (во врапере OpenCVSharp)

OpenCvSharp.CPlusPlus.HOGDescriptor hog = new OpenCvSharp.CPlusPlus.HOGDescriptor(new CvSize(64, 16), new CvSize(16, 16), new CvSize(8, 8), new CvSize(8, 8), 9, 0, -1);

float[] f = hog.Compute(new Mat(image));

Первый параметр это размер изображения, чем больше размер, тем длиннее дескриптор.

Сам по себе дескриптор оказался очень хорош в отбрасывание ненужных объектов. Например, если ищем таблички, можно посчитать дескриптор этой предполагаемой таблички найденной например по контуру загнать его в нейросеть которая выдаст результат табличка это или что то другое и если не табличка то нее обрабатываем ее экономя время.

А для создания собственно SVM детектора нужно

1. Сделать набор изображений положительных и отрицательных одного размера кратного двойке

2. Посчитать их дескрипторы

3. Дескрипторы записать в файл

Структура файла такая:

1 1:f[0] 2:f[1] .. i+1:f

Первая цифра 1-изображение из положительного набора -1-из отрицательного, потом через пробел пара индекс(считается от 1) двоеточие и значение из дескриптора

           List<string> b = new List<string>();

                foreach (string file in Положительные примеры)

                {

                        string s = "1 ";

                        IplImage im = new IplImage(file);

                        int j = 1;

                        foreach (float i in hog(im))

                        {

                            s += j.ToString() + ':' + i.ToString("0.00") + " ";

                            j++;

                        }

                        s = s.TrimEnd(' ').Replace(',', '.');

                        b.Add(s);


                }

            foreach (string file in Отрицательные примеры)

            { 

                    string s = "-1 ";

                    IplImage im = new IplImage(file);

                    int j = 1;

                    foreach (float i in hog(im))

                    {

                        s += j.ToString() + ':' + i.ToString("0.00") + " ";

                        j++;

                    }

                    s = s.TrimEnd(' ').Replace(',', '.');

                    b.Add(s); 

            }



            File.WriteAllLines("SVMHOG.dat", b.ToArray());


-----------------------------------------------------------------------


      float[] hog(IplImage im)

        {


            IplImage image = new IplImage(new CvSize(64, 16), im.Depth, im.NChannels);

            Cv.Resize(im, image);

            OpenCvSharp.CPlusPlus.HOGDescriptor hog = new OpenCvSharp.CPlusPlus.HOGDescriptor(new CvSize(64, 16), new CvSize(16, 16), new CvSize(8, 8), new CvSize(8, 8), 9, 0, -1);

            Mat m = new Mat(image);

            float[] f = hog.Compute(m);

            image.Dispose();

            m.Dispose();

            return f;


        }

4. Полученный файл скармливаем svm_learn.exe (http://svmlight.joachims.org/) через командную строку. Первый параметр это файл дескрипторов второй файл, куда будет записан результат.

5. Файл результат

SVM-light Version V6.02

0 # kernel type

3 # kernel parameter -d

1 # kernel parameter -g

1 # kernel parameter -s

1 # kernel parameter -r

empty# kernel parameter -u

252 # highest feature index

60677 # number of training documents

5160 # number of support vectors plus 1

13.06453 # threshold b, each following line is a SV (starting with alpha*y)

И затем набор векторов разделанных # и новой строкой. Берем самый последний первое число отбрасываем а все остальные в таком же формате (индекс:значение) и будут вектором который можно скормить SetSVMDetector.

Собственно все бы должно работать, ошибок не вылетает, но ничего не находит. Непонятно где ошибка.