C++开发人脸性别识别教程（6）——通过SVM实现性别识别

2024-08-28 18:18
文章标签 c++ 实现 教程 开发 识别 svm 人脸 性别

本文主要是介绍C++开发人脸性别识别教程（6）——通过SVM实现性别识别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

　　上一篇教程中我们介绍了如何使用OpenCv封装的FaceRecognizer类实现简单的人脸性别识别，这里我们为大家提供另外一种基本的性别识别手段——支持向量机（SVM）。

　　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 2.4+ 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操作，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(csvPath.c_str(),ifstream::in);while (getline(file,line)){stringstream lines(line);getline(lines,path,separator);getline(lines,classLabel);if (!path.empty()&&!classLabel.empty()){trainPath.push_back(path);label.push_back(atoi(classLabel.c_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\\at.txt";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,descriptor.size(),CV_32FC1);}int n = 0;for (vector<float>::iterator iter = descriptor.begin();iter != descriptor.end();iter++){trainDataHog.at<float>(i,n) = *iter;n++;}trainLabel.at<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64*64，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，64*64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，而列数为图片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,descriptor.size(),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 = descriptor.begin();iter != descriptor.end();iter++){trainDataHog.at<float>(i,n) = *iter;n++;}trainLabel.at<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，每一行代表一个图片的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 2.4+ 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, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );

　　开始训练、训练完成后保存分类器：

    /**********训练并保存SVM**********/svm.train(trainDataHog,trainLabel,Mat(),Mat(),param);svm.save("E:\\性别识别数据库—CAS-PEAL\\SVM_SEX_Model.txt");

　　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，读取图片、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_35.bmp");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,descriptor.size(),CV_32FC1);int n = 0;for (vector<float>::iterator iter = descriptor.begin();iter != descriptor.end();iter++){testHog.at<float>(0,n) = *iter;n++;}int predictResult = svm.predict(testHog);

　　8、完整代码

　这里给出HOG+SVM进行性别识别的完整代码：

// GenderSVM.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include <opencv2\opencv.hpp>
#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(csvPath.c_str(),ifstream::in);while (getline(file,line)){stringstream lines(line);getline(lines,path,separator);getline(lines,classLabel);if (!path.empty()&&!classLabel.empty()){trainPath.push_back(path);label.push_back(atoi(classLabel.c_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\\at.txt";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,descriptor.size(),CV_32FC1);}int n = 0;for (vector<float>::iterator iter = descriptor.begin();iter != descriptor.end();iter++){trainDataHog.at<float>(i,n) = *iter;n++;}trainLabel.at<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, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );     /**********训练并保存SVM**********/svm.train(trainDataHog,trainLabel,Mat(),Mat(),param);svm.save("E:\\性别识别数据库—CAS-PEAL\\SVM_SEX_Model.txt");/**********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_35.bmp");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,descriptor.size(),CV_32FC1);int n = 0;for (vector<float>::iterator iter = descriptor.begin();iter != descriptor.end();iter++){testHog.at<float>(0,n) = *iter;n++;}int predictResult = svm.predict(testHog);return 0;
}

　　五、总结

　　以上就是通过HOG特征+SVM进行性别识别的完整代码，在编写代码的过程中遇到了一些有趣的问题，这里稍作总结。

　　1、变量命名格式

　　当代码量很大的时候，变量的命名格式就显得十分重要，相信大家早已不用那种a、b、m、n这种简单的无意义的命名方法了。在C++中推荐大家使用匈牙利命名法，即“类型缩写+变量名缩写”的命名格式。例如vecTrainPath这个变量名，前缀“vec”表明这个变量是一个vector格式的变量，而“TrainPath”则表明这个容器中存放的是训练样本的路径。这种命名方式在大型工程中非常重要，还有一点需要注意的是当变量名中出现多个缩略短语时，推荐第一个短语小写，其他短语的首字母大写。

　　2、为何选择HOG特征

　　通过实验发现，直接将图像向量化后输入SVM（不经过特征提取）的方式的正确率将不理想。虽然本质上像素本身最能代表图像的语义信息，但由于SVM并不具备特征提取能力，因此效果不佳。确切的说，特征提取是模式分类的必要过程，即便是深度学习也不例外，因为深度学习（DeepLearning）本质上也是一种特征提取的手段，只不过提取得到的特征更深层，更抽象，表现力更强。为此我之前曾专门写过一篇博客进行阐述：浅谈模式识别中的特征提取

　　当然这里大家可以尝试提取其他特征之后再进行分类，甚至可以考虑通过提起深度特征来进行分类，这里只是以HOG特征为例而已。

　　4、有关vector的一些使用（为什么不用int型数组）

　　在这段代码中我们大量用到了vector结构，这是C++11的新特性。仔细观察，其实vector结构的最明显的一个优势就是能够动态分配大小，实时添加/删除元素，这点是数组所不能实现的。虽然可以通过new操作符来实现数组的动态分配，但我们仍推荐大家在需要使用可动态变化的数组的场合，使用vector。

　　5、Vectot和vector

　　在编写代码是仔细留心编译器给出的拼写提示，会发现这样一现象：

　　那么vector和Vector有什么区别呢？一句话，Vector是OpenCv中的vector，类似的还有String和string等。Vector和String这类结构是隶属于OpenCv的：

　　OK，以上就是这次博文的所有内容，在接下来的博文中我们将开始进入MFC编程阶段，欢迎大家讨论：http://blog.csdn.net/u013088062。

这篇关于C++开发人脸性别识别教程（6）——通过SVM实现性别识别的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1115524。

相关文章

Spring Security 从入门到进阶系列教程

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门（一）：登录与退出》 《Spring-Security-入门（二）：基于数据库验证》 《Spring-Security-入门（三）：密码加密》 《Spring-Security-入门（四）：自定义-Filter》 《Spring-Security-入门（五）：在 Sprin
阅读更多...
这15个Vue指令，让你的项目开发爽到爆

这15个Vue指令，让你的项目开发爽到爆

1. V-Hotkey 仓库地址: github.com/Dafrok/v-ho… Demo: 戳这里 https://dafrok.github.io/v-hotkey 安装: npm install --save v-hotkey 这个指令可以给组件绑定一个或多个快捷键。你想要通过按下 Escape 键后隐藏某个组件，按住 Control 和回车键再显示它吗？小菜一碟： <template
阅读更多...
Hadoop企业开发案例调优场景

Hadoop企业开发案例调优场景

需求 （1）需求：从1G数据中，统计每个单词出现次数。服务器3台，每台配置4G内存，4核CPU，4线程。 （2）需求分析： 1G / 128m = 8个MapTask；1个ReduceTask；1个mrAppMaster 平均每个节点运行10个 / 3台 ≈ 3个任务（4    3    3） HDFS参数调优 （1）修改：hadoop-env.sh export HDFS_NAMENOD
阅读更多...
Makefile简明使用教程

Makefile简明使用教程

文章目录 规则makefile文件的基本语法：加在命令前的特殊符号：.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具，常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件
阅读更多...
hdu1043（八数码问题，广搜 + hash（实现状态压缩） ）

hdu1043（八数码问题，广搜 + hash（实现状态压缩） ）

利用康拓展开将一个排列映射成一个自然数，然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu
阅读更多...
【C++ Primer Plus习题】13.4

【C++ Primer Plus习题】13.4

大家好,这里是国中之林! ❥前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。有兴趣的可以点点进去看看← 问题: 解答: main.cpp #include <iostream>#include "port.h"int main() {Port p1;Port p2("Abc", "Bcc", 30);std::cout <<
阅读更多...
C++包装器

C++包装器

包装器 在 C++ 中，“包装器”通常指的是一种设计模式或编程技巧，用于封装其他代码或对象，使其更易于使用、管理或扩展。包装器的概念在编程中非常普遍，可以用于函数、类、库等多个方面。下面是几个常见的 “包装器” 类型： 1. 函数包装器 函数包装器用于封装一个或多个函数，使其接口更统一或更便于调用。例如，std::function 是一个通用的函数包装器，它可以存储任意可调用对象（函数、函数
阅读更多...
嵌入式QT开发：构建高效智能的嵌入式系统

嵌入式QT开发：构建高效智能的嵌入式系统

摘要： 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发，详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程，包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发，涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用，以及嵌入式 QT 与硬件设备的交互，包括输入输出设
阅读更多...
OpenHarmony鸿蒙开发（ Beta5.0）无感配网详解

OpenHarmony鸿蒙开发（ Beta5.0）无感配网详解

1、简介 无感配网是指在设备联网过程中无需输入热点相关账号信息，即可快速实现设备配网，是一种兼顾高效性、可靠性和安全性的配网方式。 2、配网原理 2.1 通信原理 手机和智能设备之间的信息传递，利用特有的NAN协议实现。利用手机和智能设备之间的WiFi 感知订阅、发布能力，实现了数字管家应用和设备之间的发现。在完成设备间的认证和响应后，即可发送相关配网数据。同时还支持与常规Sof
阅读更多...
C++11第三弹：lambda表达式 | 新的类功能 | 模板的可变参数

C++11第三弹：lambda表达式 | 新的类功能 | 模板的可变参数

🌈个人主页： 南桥几晴秋 🌈C++专栏： 南桥谈C++ 🌈C语言专栏： C语言学习系列 🌈Linux学习专栏： 南桥谈Linux 🌈数据结构学习专栏： 数据结构杂谈 🌈数据库学习专栏： 南桥谈MySQL 🌈Qt学习专栏： 南桥谈Qt 🌈菜鸡代码练习： 练习随想记录 🌈git学习： 南桥谈Git 🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈�
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2