本文主要是介绍基于svm的水果识别，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！
1、程序界面介绍
该程序GUI界面包括待检测水果图片加载、检测结果输出、清空可视化框等。其中包括训练模型、加载图片、重置、识别检测按钮。
程序GUI界面
 |  |
| 识别玉米 | 识别西瓜 |
分类器识别水果基本原理：
由于每种水果的外形存在很大差异，比如西瓜与玉米，分别为圆形与杆状形状，因此使用HOG算子算子提取图片特征。HOG特征是一种图像局部特征，其基本思路是对图像局部的梯度幅值和方向进行投票统计，形成基于梯度特性的直方图，然后将局部特征拼接起来作为总特征。局部特征在这里指的是将图像划分为多个子块（Block)，每个Block内的特征进行联合以形成最终的特征。
在使用HOG算子识别图像特征后，训练基于SVM多分类模型，得到模型参数，最终实现水果分类。
2、程序的使用
2.1 程序打开
在窗口命令行中输入“guide”，在弹出对话框中，选择"fruitrecog.fig"，再单击绿色三角即可运行程序。
命令行窗口输入
打开对话框
运行示意图
2.2 训练样本介绍
本程序基于支持向量机SVM进行水果识别，需要事先制作不同水果的样本数据。本次实验制作了15类水果，每一类水果包含10张训练样本，如下图所示。
15类水果文件夹示意图
玉米文件夹下示意图
西红柿文件夹下示意图
土豆文件夹下示意图
在收集训练样本数据后，还需要制作一个包含训练样本图片的txt文本，其具体包含了每张样本数据存放的路径。因此，若下载到自己电脑上，需要在txt文本中修改图片路径。
traindata.txt文本中图片路径采用相对路径方式
m文件与训练数据、traindata.txt在文件夹中位置关系示意图（在同一层文件夹）
******需要注意的是，下载到自己电脑上后，一定要将traindata.txt中内容，改成图片实际在你电脑上存放的绝对位置，或者不要动，保持上图截图中相对位置。********
2.3 训练模型
在制作好训练数据后，便可以训练模型。点击“训练模型”按钮，打开traindata.txt文件，确定后开始训练模型，模型训练结束后，会弹出“模型训练完成！”的提示，如下图所示。
打开训练样本文件 训练完成提示
选取训练数据
训练结束提示
2.4 识别水果
选择“加载图片”按钮，加载需要识别的水果，如选择草莓图片，再点击“识别检测”按钮，识别出该水果。
水果识别示意图
4、说明（若训练自己数据）
理论上样本制作的越多，训练的模型精度会更高。若自己想制作更多的训练样本数字训练模型，需要在traindata文件夹下，放入更多的待识别水果图片，进行训练。或者其他想要识别的水果，但是需要在以下方面进行修改
（1）traindata.txt中内容
traindata.txt是存放每个训练样本图片的路径，因此，需要根据最终制作样本图片进行修改。具体来说，将你制作多的训练样本图片路径，全部添加进来即可。
图片路径添加示意图
（2）m文件修改
在fruitrecog.fig文件中，选择“训练模型”按钮，右击，在弹出选项中选择“callback”。
对train_label进行修改，主要修改每类水果样本数量、水果数量。其中用1-15表示每一个水果种类。若要识别的水果种类位20种，则数字位1-20。若每种水果训练样本数量为20，则每个数字出现20次，即有20个1,20个2,20个3......
最后输出显示需要修改：
修改predict_label 值与对应的水果名，这需要根据你自己实际情况进行修改。
这篇关于基于svm的水果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！
