SVM for People Recognitionの使い方は？

Question

私はopencv 2.4.2 C++を実行しています。

私はopencvを使って人々の認識をしようとしています。

私は、さまざまな方向の異なる人を含むVidTIMITデータセットを使用しています。

私はCvSVMを使ってこれらの人々を分類しています。

私の問題は、svmの出力は常に同じであるということです。

私は従うアルゴリズムは次のとおりです。顔のハールを使用して

1. 顔検出
2. リサイズ（58 * 58）
3. SVMトレーニング
4. 分類

今、私は訓練に何か間違っていたのだろうかと思っています。

私は5（num_name）person、10（num_images）の異なる画像を考えてこのメソッドを試しています。

void runFaceDetectionRecognition(vector<Mat_<uchar> > &images){ 
vector<vector<Rect> > faces; 
for (unsigned i=0; i<images.size(); ++i) { 

    /// detection face 
    vector<Rect> f; 
    faceDetection(images[i], f); 

    if (!f.empty()) { 
     faces.push_back(f); 

     /// I keep only the face 
     Mat_<uchar> roi = (images[i](f[0])); 

     /// resize 
     resize(roi, roi, Size(58, 58)); 

     roi.copyTo(images[i]);    
    } 
} 

/// Set up parameters 
CvSVMParams params; 
params.svm_type = CvSVM::C_SVC; 
params.kernel_type = CvSVM::LINEAR; 
params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6); 


/// Set up training data 
float labels[num_name][num_images]; 
float label = 0; 

/// different label for different person 
for (unsigned i=0; i<num_name; ++i) { 
    for (unsigned j=0; j<num_images; ++j) 
     labels[i][j] = label; 

    label++; 
} 

/// labeling matrix 
Mat labelsMat(num_name*num_images, 1, CV_32FC1, labels); 

/// unrolling images 
float data[images.size()][58*58]; 
for (unsigned l=0; l<images.size(); ++l) 

    for (unsigned i=0; i<58; ++i) 
     for (unsigned j=0; j<58; ++j) 
      data[l][j+58*i] = images[l].at<float>(i,j); 


/// training matrix 
Mat train((int) images.size(),58*58, CV_32FC1, data); 
CvSVM svm(train, labelsMat, Mat(), Mat(), params); 

/// Validation 
valSVM(svm, train.rowRange(0, 1)); 
} 

検証コード：

void valSVM(CvSVM &svm, Mat train){ 

/// prediction 
float response = svm.predict(train); 

cout << "Response ===> " << response << " "; 

/// output 
if (response == 0) cout << "lea"; 
else if (response == 1) cout << "maria"; 
else if (response == 2) cout << "ramona"; 
else if (response == 3) cout << "teresa"; 
else if (response == 4) cout << "yan"; 
} 

はあなたが私を助けることができると思います。

Answer 1

あなたは完全な58 * 58の顔であなたのSVMをトレーニングしているようです。 SVMが動作するためには、すでにOpenCVに含まれているPCA（プリンシパルコンポーネント分析）のような方法を使用して、ディメンションを減らす（主要コンポーネントを取得する）必要があります。

58 * 58アレイからn *を主な特徴とするn * nアレイに次元を縮小すると、SVMのトレーニングで主な機能のみが使用され、改善されたソリューションが得られます。

OpenCVで顔認識のドキュメントがたくさんある場合は、hereを起動できます。

Answer 2

SVMが機能するためには、SVMがPCAを使用しなければならないという点で、他の答えは正しくありません。私はPCAなしで128x128の画像にSVMを使用し、良い結果を得ました。私はcohn-kanadeデータセットと同様のことをしました。いくつかのソースコードがあります。

vector<Mat> preImages;//Fill this with your images from your dataset 
vector<int> labels;//Fill this with the labels from the dataset 
vector<Mat> images; 

CascadeClassifier haar_cascade; 
haar_cascade.load("/usr/local/share/OpenCV/haarcascades/haarcascade_frontalface_alt.xml"); 
vector< Rect_<int> > faces; 
Mat procFace; 
cout << "images: " << preImages.size() << " labels: " << labels.size() << endl; 
for(unsigned int i = 0; i < preImages.size(); i++) 
{ 
    procFace = preImages[i].clone(); 
    //haar_cascade.detectMultiScale(procFace, faces); 
    haar_cascade.detectMultiScale(
      procFace, 
      faces, 
      1.1, 
      3, 
      CASCADE_FIND_BIGGEST_OBJECT|CASCADE_DO_ROUGH_SEARCH, 
      Size(110, 110) 
    ); 

    if(faces.size() > 0) 
    { 

     // Process face by face: 
     Rect face_i = faces[0]; 
     // Crop the face from the image. 
     Mat face = procFace(face_i); 

     ////You can maybe use the equalizeHist function here instead////// 
     face = illuminationComp(face); 

     //crop face 
     Rect cropped(face_i.width*0.18, face_i.height*0.2, int(face_i.width*0.7), int(face_i.height*0.78)); 
     Mat Cface = face(cropped); 

     Mat face_resized; 
     resize(Cface, face_resized, Size(128, 128), 1.0, 1.0, INTER_CUBIC); 

     images.push_back(face_resized); 
    } 
} 


//svm parameters: 
SVMParams params = SVMParams(); 
params.svm_type = SVM::C_SVC; 
params.kernel_type = SVM::LINEAR; 
params.degree = 3.43; // for poly 
params.gamma = 0.00225; // for poly/rbf/sigmoid 
params.coef0 = 19.6; // for poly/sigmoid 
params.C = 0.5; // for CV_SVM_C_SVC , CV_SVM_EPS_SVR and CV_SVM_NU_SVR 
params.nu = 0.0; // for CV_SVM_NU_SVC , CV_SVM_ONE_CLASS , and CV_SVM_NU_SVR 
params.p = 0.0; // for CV_SVM_EPS_SVR 
params.class_weights = NULL; // for CV_SVM_C_SVC 
params.term_crit.type = CV_TERMCRIT_ITER | CV_TERMCRIT_EPS; 
params.term_crit.max_iter = 1000; 
params.term_crit.epsilon = 1e-6; 

if(images.size() == labels.size()) 
{ 
    cout << "Creating SVM Classification" << endl << endl; 

    int rowsSize = images.size(); 
    int trainingArea = images[0].rows * images[0].cols; 
    Mat trainingMat = Mat::zeros(rowsSize, trainingArea, CV_32FC1); 
    int counter; 


    for(int index = 0; index < rowsSize; index++) 
    { 
     counter = 0; 
     for(int rows = 0; rows < images[0].rows; rows++) 
     { 
      for(int cols = 0; cols < images[0].cols; cols++) 
      { 
       trainingMat.at<float>(index, counter) = images[index].at<uchar>(rows,cols); 
        counter++; 
      } 
     } 
    } 


    Mat matLabels = Mat::zeros(labels.size(),1,CV_32FC1); 
    for(size_t index = 0; index < labels.size(); index++) 
    { 
     matLabels.at<float>(index,0) = float(labels[index]); 
    } 

    if(trainingMat.rows == matLabels.rows) 
    { 
     SVM svm; 
     svm.train(trainingMat,matLabels,Mat(),Mat(),params); 
     svm.save("svm_model.yml"); 
    } 
} 

Answer 3

私はオブジェクトを分類しているプロジェクトもビルドしています。私はSVMとBag of Features（BOf）/ BOWの組み合わせを使用しています。この方法では、まず、辞書/コードブックを作成してSVMを訓練します。結果はかなり良いです。

あなたはアイデアhttp://www.morethantechnical.com/2011/08/25/a-simple-object-classifier-with-bag-of-words-using-opencv-2-3-w-code/