支持向量机在解决二分类问题方面有着强大的威力（当然也可以解决多分类问题），性别识别是典型的二分类模式识别问题，因此很适合用SVM进行处理，同时OpenCv又对SVM进行了很好的封装，调用非常方便，因此我们在这个性别识别程序中考虑加入SVM方法。
在这里我们采用了HOG+SVM的模式来进行，即先提取图像的HOG特征，然后将这些HOG特征输入SVM中进行训练。
一、SVM概述
SVM的数学原理十分复杂，我们不在这里过多讨论，有关OpenCv中SVM的用法，这里为大家提供两篇博客以供参考：OpenCV的SVM用法以及OpenCV 24+ C++ SVM介绍。
二、HOG特征概述
HOG特征是图像的梯度特征，具体参见：目标检测的图像特征提取之（一）HOG特征
三、建立训练集
这里继续沿用上一篇博文中提到的性别识别训练集，400张男性人脸样本400张女性人脸样本，下载地址：性别识别数据集。
四、算法的训练与测试
1、建立控制台工程，配置OpenCv环境
这里将工程命名为：GenderSVM。
2、编写批量读取函数read_csv（）
只要涉及到训练，都需要批量读取训练样本的 *** 作，SVM也不例外，因此需要先编写批量读取函数read_csv（）。考虑到之前的批量读取函数必须一次性将所有训练样本读入内存中，内存消耗较大，在这里做一个小小的改进：
void read_csv(String& csvPath,Vector<String>& trainPath,Vector<int>& label,char separator = ';')
{
string line,path,classLabel;
ifstream file(csvPathc_str(),ifstream::in);
while (getline(file,line))
{
stringstream lines(line);
getline(lines,path,separator);
getline(lines,classLabel);
if (!pathempty()&&!classLabelempty())
{
trainPathpush_back(path);
labelpush_back(atoi(classLabelc_str()));
}
}
}
可见这里我们将输入参数由vector<Mat>改为vector<String>，然后返回装有训练样本的所有路径的容器，需要时在根据其中的路径进行读取，降低了内存占用量。
3、读入训练样本路径
string trainCsvPath = "E:\\性别识别数据库—CAS-PEAL\\attxt";
vector<String> vecTrainPath;
vector<int> vecTrainLabel;
read_csv(trainCsvPath,vecTrainPath,vecTrainLabel);
顺利批量读入路径：
4、训练初始化
在提取HOG特征之前，需要初始化训练数据矩阵：
/初始化训练数据矩阵/
int iNumTrain = 800;
Mat trainDataHog;
Mat trainLabel = Mat::zeros(iNumTrain,1,CV_32FC1);
需要强调的是SVM的训练数据必须都是CV_32FC1格式，因此这里显式的将标签矩阵trainLabel初始化为CV_32FC1格式，trainDataHog稍后进行初始化。
5、提取图像HOG特征
接下来循环读入所有的训练样本，提取HOG特征，放在训练数据矩阵中。考虑嵌套代码的复杂性，这里先给出整体代码，稍后解释：
/提取HOG特征，放入训练数据矩阵中/
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<float> descriptor;
hog->compute(imageSrc,descriptor,Size(1,1),Size(0,0));
if (i == 0)
{
trainDataHog = Mat::zeros(iNumTrain,descriptorsize(),CV_32FC1);
}
int n = 0;
for (vector<float>::iterator iter = descriptorbegin();iter != descriptorend();iter++)
{
trainDataHogat<float>(i,n) = iter;
n++;
}
trainLabelat<float>(i,0) = vecTrainLabel[i];
}
接下来我们对这段代码进行详细解释。
（1）循环读入训练样本
从vecTrainPath容器中逐条取出训练样本路径，然后读取：
imageSrc = imread(vecTrainPath[i]c_str(),1);
（2）尺寸归一化
我们这里将图像尺寸归一化为6464，这是因为当时在写程序时参考了一篇关于HOG特征的博客。这里的尺寸大家可以随意设定，当然也会影响最终的识别效率，6464可能并不是一个最优的尺寸：
imageSrc = imread(vecTrainPath[i]c_str(),1);
resize(imageSrc,imageSrc,Size(64,64));
（3）计算HOG特征
OpenCv给出的HOG特征计算接口非常简洁，三句话即完成：
HOGDescriptor hog = new HOGDescriptor(cvSize(64,64),cvSize(16,16),
cvSize(8,8),cvSize(8,8),9);
vector<float> descriptor;
hog->compute(imageSrc,descriptor,Size(1,1),Size(0,0));
提取的特征以容器的数据 结构形式给出。至于计算时的参数设定，参见我之前提供的那两篇博客即可。
（4）初始化数据矩阵trainDataHog
前面提到，SVM中用到的训练数据矩阵必须是CV_32FLOAT形式的，因此需要对数据矩阵显示的指定其尺寸和类型。然后由于trainDataHog行数为训练样本个数，而列数为HOG特征的维数，因此无法在进行HOG特征提取之前确定其尺寸，因此这里选择在进行完第一张样本的HOG特征、得到对应维数之后，在进行初始化：
if (i == 0)
{
trainDataHog = Mat::zeros(iNumTrain,descriptorsize(),CV_32FC1);
}
（5）将得到的HOG特征存入数据矩阵
得到的HOG特征是浮点数容器的形式，我们需要将其转换成矩阵的形式以便于训练SVM，这就涉及到了vector和Mat两个数据结构的遍历。vector遍历这里推荐使用迭代器的方式，而Mat遍历这里则选择了相对耗时但是最简单的方式——直接使用at函数：
int n = 0;
for (vector<float>::iterator iter = descriptorbegin();iter != descriptorend();iter++)
{
trainDataHogat<float>(i,n) = iter;
n++;
}
trainLabelat<float>(i,0) = vecTrainLabel[i];
训练得到的HOG特征如图所示：
可见在当前的参数设定下，提取到的HOG特征为1764维，共800张训练样本，每一行代表一个的HOG特征向量。通过“ctrl+鼠标滚轮”放大观察特征向量的具体参数：
6、训练SVM分类器
有关OpenCv中SVM分类器的使用可以参见以下博客：OpenCV 24+ C++ SVM介绍。
首先，初始化相关参数：
/初始化SVM分类器/
CvSVM svm;
CvSVMParams param;
CvTermCriteria criteria;
criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );
param = CvSVMParams(CvSVM::C_SVC, CvSVM::RBF,
100, 009, 10, 100, 05, 10, NULL, criteria );
开始训练、训练完成后保存分类器：
/训练并保存SVM/
svmtrain(trainDataHog,trainLabel,Mat(),Mat(),param);
svmsave("E:\\性别识别数据库—CAS-PEAL\\SVM_SEX_Modeltxt");
注意我们这里选择将分类器保存为txt形式：
当然，我们可以打开这个txt文件，查看里面的参数：
7、测试分类效果
测试过程和训练过程基本相同，读取、尺寸归一化、提取HOG特征、预测：
/测试SVM分类性能/
Mat testImage = imread("E:\\性别识别数据库—CAS-PEAL\\测试样本\\女性测试样本\\face_35bmp");
resize(testImage,testImage,Size(64,64));
HOGDescriptor hog = new HOGDescriptor(cvSize(64,64),cvSize(16,16),
cvSize(8,8),cvSize(8,8),9);
vector<float> descriptor;
hog->compute(testImage,descriptor,Size(1,1),Size(0,0));
Mat testHog = Mat::zeros(1,descriptorsize(),CV_32FC1);
int n = 0;
for (vector<float>::iterator iter = descriptorbegin();iter != descriptorend();iter++)
{
testHogat<float>(0,n) = iter;
n++;
}
int predictResult = svmpredict(testHog);
8、完整代码
这里给出HOG+SVM进行性别识别的完整代码：
// GenderSVMcpp : 定义控制台应用程序的入口点。
//
#include "stdafxh"
#include <opencv2\opencvhpp>
#include <iostream>
#include <sstream>
#include <fstream>
using namespace std;
using namespace cv;
void read_csv(String& csvPath,vector<String>& trainPath,vector<int>& label,char separator = ';')
{
string line,path,classLabel;
ifstream file(csvPathc_str(),ifstream::in);
while (getline(file,line))
{
stringstream lines(line);
getline(lines,path,separator);
getline(lines,classLabel);
if (!pathempty()&&!classLabelempty())
{
trainPathpush_back(path);
labelpush_back(atoi(classLabelc_str()));
}
}
}
int _tmain(int argc, _TCHAR argv[])
{
/批量读入训练样本路径/
string trainCsvPath = "E:\\性别识别数据库—CAS-PEAL\\attxt";
vector<String> vecTrainPath;
vector<int> vecTrainLabel;
read_csv(trainCsvPath,vecTrainPath,vecTrainLabel);
/初始化训练数据矩阵/
int iNumTrain = 800;
Mat trainDataHog;
Mat trainLabel = Mat::zeros(iNumTrain,1,CV_32FC1);
/提取HOG特征，放入训练数据矩阵中/
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<float> descriptor;
hog->compute(imageSrc,descriptor,Size(1,1),Size(0,0));
if (i == 0)
{
trainDataHog = Mat::zeros(iNumTrain,descriptorsize(),CV_32FC1);
}
int n = 0;
for (vector<float>::iterator iter = descriptorbegin();iter != descriptorend();iter++)
{
trainDataHogat<float>(i,n) = iter;
n++;
}
trainLabelat<float>(i,0) = vecTrainLabel[i];
}
/初始化SVM分类器/
CvSVM svm;
CvSVMParams param;
CvTermCriteria criteria;
criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );
param = CvSVMParams(CvSVM::C_SVC, CvSVM::RBF,
100, 009, 10, 100, 05, 10, NULL, criteria );
/训练并保存SVM/
svmtrain(trainDataHog>
公开人脸数据集
本页面收集到目前为止可以下载到的人脸数据库，可用于训练人脸深度学习模型。
人脸识别
数据库
描述
用途
获取方法
WebFace 10k+人，约500K张 非限制场景 链接
FaceScrub 530人，约100k张 非限制场景 链接
YouTube Face 1,595个人 3,425段视频 非限制场景、视频 链接
LFW 5k+人脸，超过10K张 标准的人脸识别数据集 链接
MultiPIE 337个人的不同姿态、表情、光照的人脸图像，共750k+人脸图像 限制场景人脸识别 链接 需购买
MegaFace 690k不同的人的1000k人脸图像 新的人脸识别评测集合 链接
IJB-A 人脸识别，人脸检测 链接
CAS-PEAL 1040个人的30k+张人脸图像，主要包含姿态、表情、光照变化 限制场景下人脸识别 链接
Pubfig 200个人的58k+人脸图像 非限制场景下的人脸识别 链接
人脸检测
数据库
描述
用途
获取方法
FDDB 2845张中的5171张脸 标准人脸检测评测集 链接
IJB-A 人脸识别，人脸检测 链接
Caltech10k Web Faces 10k+人脸，提供双眼和嘴巴的坐标位置 人脸点检测 链接
人脸表情
数据库
描述
用途
获取方法
CK+ 137个人的不同人脸表情视频帧 正面人脸表情识别 链接
人脸年龄
数据库
描述
用途
获取方法
IMDB-WIKI 包含：IMDb中20k+个名人的460k+张 和维基百科62k+张, 总共： 523k+张 名人年龄、性别 链接
Adience 包含2k+个人的26k+张人脸图像 人脸性别，人脸年龄段(8组) 链接
CACD2000 2k名人160k张人脸 人脸年龄 链接
人脸性别
数据库
描述
用途
获取方法
IMDB-WIKI 包含：IMDb中20k+个名人的460k+张 和维基百科62k+张, 总共： 523k+张 名人年龄、性别 链接
Adience 包含2k+个人的26k+张人脸图像 人脸性别，人脸年龄段(8组) 链接
人脸关键点检测
数据库
描述
用途
获取方法
数据库 描述 用途 获取方法
人脸其它
数据库
描述
用途
获取方法
CeleBrayA 200k张人脸图像40多种人脸属性 人脸属性识别 获取方法
GitHub：DeepFace
以上就是关于如何用opencv在一周内实现人物行为语义识别全部的内容，包括:如何用opencv在一周内实现人物行为语义识别、怎么区分 nonparametric data 和 parametric data、求下载过cacd2000数据集，Adience数据集和IMDB-WIKI数据集的大神能分享到我的邮箱，不胜感激！！等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）