python-2.7 - SVM自定义对象检测器的正负样本分别

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。

我已经使用下面的代码从正样本和负样本中提取了HOG功能:

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

且等效函数为负样本。

如何以SVM知道哪个为正和哪个为负的方式格式化数据？

此外，如何将这种培训转化为通过网络摄像头检测所需物体的“测试”？

Answer 1

如何以SVM知道哪个为正和哪个为负的方式格式化数据？

现在，您将创建另一个名为labels的列表，该列表将存储与相应图像关联的类值。例如，如果您具有一组训练如下的功能:

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

您将有一个对应的标签类，例如

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

然后，您可以将其提供给分类器，如下所示:

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

此外，如何将这种培训转化为通过网络摄像头检测所需物体的“测试”？

训练之前，您应该将标记的数据集(groundtruth)分为训练和测试数据集。您可以使用 skilearns KFold module进行此操作。