OpenCV3中SVM的使用

SVM介绍

OpenCV3.x下SVM接口介绍

OpenCV3.x与OpenCV2.x中SVM的接口有了很大变化，在接口上使用了虚函数取代以前的定义。
下面介绍几个常用的接口，及其参数意义。

初始化函数

定义如下：

1	CV_WRAP static Ptr<SVM> create();

参数设置函数

然后是一些设置SVM参数的函数：

CV_WRAP virtual int getType() const = 0;
CV_WRAP virtual void setType(int val) = 0;

CV_WRAP virtual double getGamma() const = 0;
CV_WRAP virtual void setGamma(double val) = 0;

CV_WRAP virtual double getDegree() const = 0;
CV_WRAP virtual void setDegree(double val) = 0;

CV_WRAP virtual double getC() const = 0;
CV_WRAP virtual void setC(double val) = 0;

CV_WRAP virtual double getNu() const = 0;
CV_WRAP virtual void setNu(double val) = 0;

CV_WRAP virtual double getP() const = 0;
CV_WRAP virtual void setP(double val) = 0;

CV_WRAP virtual cv::Mat getClassWeights() const = 0;
CV_WRAP virtual void setClassWeights(const cv::Mat &val) = 0;

CV_WRAP virtual cv::TermCriteria getTermCriteria() const = 0;
CV_WRAP virtual void setTermCriteria(const cv::TermCriteria &val) = 0;

CV_WRAP virtual int getKernelType() const = 0;
CV_WRAP virtual void setKernel(int kernelType) = 0;

具体的作用可以参考OpenCV文档，这里只介绍两个常用的函数：

1 2	//设置SVM类型 CV_WRAP virtual int getType() const = 0;

这个函数用于设置SVM类型，OpenCV提供了五种类型：

Types { 
    //C类支持向量分类机。 n类分组 （n≥2），容许用异常值处罚因子C进行不完全分类。
    C_SVC =100, 

    //NU类支持向量机
    NU_SVC =101, 

    //分布估计(单分类器)，所有的练习数据提取自同一个类里，
    //然后SVM建树了一个分界线以分别该类在特征空间中所占区域和其它类在特征空间中所占区域。
    ONE_CLASS =102, 

    EPS_SVR =103, 

    NU_SVR =104 
}

注解：NU即$\nu$,EPS即$\epsilon$。SVC为分类模型，SVR为回归模型。

一般我们使用SVM进行二分类或者多分类任务，选择第一种SVM::C_SVC即可。
还有一个函数就是：

1	CV_WRAP virtual void setKernel(int kernelType) = 0;

这个函数用于设置SVM的核函数类型，我们知道，通过选择SVM的核函数可以使SVM处理高阶、非线性问题。OpenCV提供几种核函数：

enum KernelTypes {
    /** Returned by SVM::getKernelType in case when custom kernel has been set */
    CUSTOM=-1,
    
    //线性核
    LINEAR=0,
    
    //多项式核
    POLY=1,
    
    //径向基核（高斯核）
    RBF=2,
    
    //sigmoid核
    SIGMOID=3,
    
    //指数核，与高斯核类似
    CHI2=4,
    
    //直方图核
    INTER=5
};

一般情况下使用高斯核函数可以很好处理大部分情况。

训练函数

OpenCV3.x中SVM的提供了训练函数也与2.x不同，如下：

virtual bool trainAuto( const Ptr<TrainData>& data, int kFold = 10,
                ParamGrid Cgrid = getDefaultGrid(C),
                ParamGrid gammaGrid  = getDefaultGrid(GAMMA),
                ParamGrid pGrid      = getDefaultGrid(P),
                ParamGrid nuGrid     = getDefaultGrid(NU),
                ParamGrid coeffGrid  = getDefaultGrid(COEF),
                ParamGrid degreeGrid = getDefaultGrid(DEGREE),
                bool balanced=false) = 0;

bool trainAuto (InputArray samples, int layout, InputArray responses, 
                int kFold=10, Ptr< ParamGrid > Cgrid=SVM::getDefaultGridPtr(SVM::C), 
                Ptr< ParamGrid > gammaGrid=SVM::getDefaultGridPtr(SVM::GAMMA), 
                Ptr< ParamGrid > pGrid=SVM::getDefaultGridPtr(SVM::P), 
                Ptr< ParamGrid > nuGrid=SVM::getDefaultGridPtr(SVM::NU), 
                Ptr< ParamGrid > coeffGrid=SVM::getDefaultGridPtr(SVM::COEF), 
                Ptr< ParamGrid > degreeGrid=SVM::getDefaultGridPtr(SVM::DEGREE), 
                bool balanced=false)

trainAuto可以在训练过程中自动优化SVM中的那些参数，而使用train函数时，参数被固定，所以推荐使用trainAuto函数。
在准备训练数据的时候，有下面几点需要注意，否则函数会报错

SVM的训练函数是ROW_SAMPLE类型的，也就是说，送入SVM训练的特征需要reshape成一个行向量，所有训练数据全部保存在一个Mat中，一个训练样本就是Mat中的一行，最后还要讲这个Mat转换成CV_32F类型，例如，如果有k个样本，每个样本原本维度是$(h,w)$，则转换后Mat的维度为$(k,h∗w)$
对于多分类问题，label矩阵的行数要与样本数量一致，也就是每个样本要在label矩阵中有一个对应的标签，label的列数为1，因为对于一个样本，SVM输出一个值，我们在训练前需要做的就是设计这个值与样本的对应关系。对于有k个样本的情况，label的维度是$(k,1)$

预测函数

函数定义如下：

1	float predict(cv::InputArrat samples, cv::OutputArray results = noArray(), int flags = 0) const;

其中samples就是需要预测的样本，这里样本同样要转换成ROW_SAMPLE和CV_32F格式，对于单个测试样本的情况，预测结果直接通过函数返回值返回，而如果samples中有多个样本，就需要传进result参数，预测结果以列向量的方式保存在result数组中。假如有k个样本，每个样本原本的维度为$(h,w)$，则samples的维度为$(k,h∗w)$，最终预测结果result维度为$(k,1)$

样例程序

#include "opencv2/core/core.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/ml/ml.hpp"
 
#include <iostream>
 
using namespace std;
using namespace cv;
using namespace cv::ml;
 
struct ppt
{
  float x;
  float y;
  char label;
};
 
int main()
{
  //训练一个简单的svm模型
  // step 1: 标记分类
  int labels[14] = { 'A','A','A','A','A','A','A','B','B','B','B','B','B','B' };
  //CvMat labelsMat = cvMat(14, 1, CV_32FC1, labels);
  Mat labelsMat(14, 1, CV_32SC1);
  for (int i = 0; i < labelsMat.rows; i++)
  {
    labelsMat.at<int>(i, 0) = labels[i];
  }
 
  //训练数据
  int trainingData[14][2] = { { 110,204 },{ 105,306 },{ 102,410 },{ 99,511 },{ 93,610 },{ 89,713 },
  { 89,817 },{ 173,208 },{ 175,313 },{ 167,415 },{ 163,514 },{ 160,612 },{ 156,716 },{ 152,819 } };
  
  Mat trainingDataMat(14, 2, CV_32FC1);
  for (int i = 0; i < trainingDataMat.rows; i++)
  {
    for (int j = 0; j < trainingDataMat.cols; j++)
    {
      trainingDataMat.at<float>(i, j) = trainingData[i][j];
    }
  }

  //查看训练数据分布
  Mat plot(900, 900, CV_8U);
  vector<Point> myPoint(14);//14个点
  for (int i = 0; i < myPoint.size(); i++)
  {
    myPoint[i].x = trainingData[i][0];
    myPoint[i].y = trainingData[i][1];
    circle(plot, myPoint[i], 15, Scalar(255), -1);
  }
  namedWindow("坐标点", 0);
  imshow("坐标点", plot);
 
  //step 2:设定训练参数
  Ptr<SVM> svm = SVM::create();
  svm->setType(SVM::C_SVC);
  svm->setKernel(SVM::LINEAR);
  //迭代训练过程的中止条件，解决部分受约束二次最优问题。您可以指定的公差和或最大迭代次数。
  svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, FLT_EPSILON));
 
  //step 3:训练
  Ptr<TrainData> tData = TrainData::create(trainingDataMat, ROW_SAMPLE, labelsMat);
  svm->train(tData);
  svm->save("svmData.xml");
  
  // step 4: 利用训练好的模型进行预测
  ppt a;
  a.x = 163;
  a.y = 600;
  float data[2] = { a.x,a.y };
  Mat tmp(1, 2, CV_32FC1);
  for (int j = 0; j < tmp.cols; j++)
  {
    tmp.at<float>(0, j) = data[j];
  }
 
  a.label = (char)svm->predict(tmp);
  cout << a.label << endl;
  
}

参考资料