py4CV例子2汽车检测和svm算法

jsxyhelu 2024-10-11 00:10:17 原文

1、什么是汽车检测数据集；

)

pos, neg = , )

matcher = cv2.FlannBasedMatcher(flann_params, {})

bow_kmeans_trainer = cv2.BOWKMeansTrainer()

)

]

bow_kmeans_trainer.add(extract_sift(path(pos,i)))

bow_kmeans_trainer.add(extract_sift(path(neg,i)))

voc = bow_kmeans_trainer.cluster()

extract_bow.setVocabulary( voc )

)

traindata.extend(bow_features(path(pos, i))); trainlabels.append()

traindata.extend(bow_features(path(neg, i))); trainlabels.append(-)

][][])

][][] == ,), font, ,(,,),,cv2.LINE_AA)

][][] == -,), font, ,(,, ),,cv2.LINE_AA)

cv2.imshow()

cv2.destroyAllWindows()

其结果，仅仅是检查出图片中是否有汽车。比较关键的部分

flann_params = , )

matcher = cv2.FlannBasedMatcher(flann_params, {})

创建基于flann的匹配器

bow_kmeans_trainer = cv2.BOWKMeansTrainer()

创建bow训练器

)

]

以灰度方式读取图像，提取sift,并返回结果

bow_kmeans_trainer.add(extract_sift(path(pos,i)))

bow_kmeans_trainer.add(extract_sift(path(neg,i)))

为模型输入正负样本

voc = bow_kmeans_trainer.cluster()

extract_bow.setVocabulary( voc )

cluster函数，执行k-means分类，并且返回词汇。进一步制定extract_bow提取描述符

)

traindata.extend(bow_features(path(pos, i))); trainlabels.append()

traindata.extend(bow_features(path(neg, i))); trainlabels.append(-)

创建2个数组，生成svm模型所需正负样本标签

svm = cv2.ml.SVM_create()

svm.train(np.array(traindata), cv2.ml.ROW_SAMPLE, np.array(trainlabels))

创建并训练一个svm模型

][][])

)

]==)

)

]

all_label_list = temp[:, ]

n_sample = , )

matcher = cv2.FlannBasedMatcher(flann_params, {})

)

extract_bow = cv2.BOWImgDescriptorExtractor(extract, matcher)

)

]

bow_kmeans_trainer.add(extract_sift(path(pos,i)))

bow_kmeans_trainer.add(extract_sift(path(neg,i)))

)

][][])

np_val_labels = np.array(val_labels)[:,np.newaxis]

np_result = np.array(result)[:,np.newaxis]

matches = np_result == np_val_labels

correct = np.count_nonzero(matches)

accuracy = correct*][][] == ,), font, ,(,,),,cv2.LINE_AA)

][][] == -,), font, ,(,, ),,cv2.LINE_AA)

cv2.imshow()

cv2.destroyAllWindows()

对数据集进行交叉检验，在20/80的比率下，成功识别率为

数据集中有 549 pos

以及 499 neg

84.90566037735849

E:/sandbox/car3.jpg -1.0

E:/sandbox/car4.jpg -1.0

4、多个汽车和滑动窗口检测

该应用的执行过程如下：

1、获取数据集

2、创建BOW训练器并且获得视觉词汇

3、采用词汇训练svm

4、尝试对测试图像的金字塔采用滑动窗口进行检测

5、对重叠的矩形采用“非最大抑制”，进行过滤

6、得到结果。

各个函数如下

] * ( / scaleFactor)), ] * ( / scaleFactor))), , )):

] < minSize[] ] < minSize[]:

, image.shape[], step):

], x:x + window_size[]])

同样采用yield的方法，获得滑动窗口数据

]

y1 = boxes[:,]

x2 = boxes[:,]

y2 = boxes[:,]

scores = boxes[:,]

) * (y2 - y1 + )

idxs = np.argsort(scores)[::-]

i = idxs[last]

pick.append(i)

, xx2 - xx1 + )

h = np.maximum(, yy2 - yy1 + )

])))

)

获得系列路径下地址

, )

)

]

及其计算值

)

, )

)

]

)

extract_bow = cv2.BOWImgDescriptorExtractor(extract, matcher)

), extract_bow, detect))

trainlabels.append()

traindata.extend(bow_features(cv2.imread(path(neg, i), ), extract_bow, detect))

trainlabels.append(-)

svm = cv2.ml.SVM_create()

svm.setType(cv2.ml.SVM_C_SVC)

svm.setGamma()

svm.setC(),

img = cv2.imread(img_path)

rectangles = []

counter =

scaleFactor =

font = cv2.FONT_HERSHEY_PLAIN

]) / ])

, (, )):] != w ] != h:

][], res[][], res))

score = res[][]

][] == :

windows = np.array(rectangles)

, , ), )

cv2.putText(img, , (, , ))

cv2.imshow()

小结和启示：

1、python作为这个时代的语言，的确是非常适合机器学习和图像处理应用层算法的编写的；

2、svm作为一种已经发展很长世间的算法，90左右应该已经是它的瓶颈，即使存在sift+bow的特征提取方式；

3、再想提高，尽快进入mlp和cnn乃至dl的境地；

4、挖掘发现机器学习的现实应用场景，是除了掌握机器学习方法以外，最难也是最有意义的一件事情。

5、今日是学习时间机器学习的最好时间，时不我们待。

感谢阅读至此，希望有所帮助。

来自为知笔记(Wiz)

附件列表

py4CV例子2汽车检测和svm算法的更多相关文章

转载：scikit-learn学习之SVM算法
转载,http://blog.csdn.net/gamer_gyt 目录(?)[+] ========================================================= ...
Machine Learning in Action(5) SVM算法
做机器学习的一定对支持向量机(support vector machine-SVM)颇为熟悉,因为在深度学习出现之前,SVM一直霸占着机器学习老大哥的位子.他的理论很优美,各种变种改进版本也很多,比如 ...
【转】 SVM算法入门
课程文本分类project SVM算法入门转自:http://www.blogjava.net/zhenandaci/category/31868.html (一)SVM的简介支持向量机(Supp ...
SVM算法入门
转自:http://blog.csdn.net/yangliuy/article/details/7316496SVM入门(一)至(三)Refresh 按:之前的文章重新汇编一下,修改了一些错误和不当 ...
SVM算法简单应用
第一部分:线性可分通俗解释:可以用一条直线将两类分隔开来一个简单的例子,直角坐标系中有三个点,A,B点为0类,C点为1类: from sklearn import svm # 三个点 x = [[ ...
一步步教你轻松学支持向量机SVM算法之案例篇2
一步步教你轻松学支持向量机SVM算法之案例篇2 (白宁超 2018年10月22日10:09:07) 摘要:支持向量机即SVM(Support Vector Machine) ,是一种监督学习算法,属于 ...
一步步教你轻松学支持向量机SVM算法之理论篇1
一步步教你轻松学支持向量机SVM算法之理论篇1 (白宁超 2018年10月22日10:03:35) 摘要:支持向量机即SVM(Support Vector Machine) ,是一种监督学习算法,属于 ...
程序员训练机器学习 SVM算法分享
http://www.csdn.net/article/2012-12-28/2813275-Support-Vector-Machine 摘要:支持向量机(SVM)已经成为一种非常受欢迎的算法.本文 ...
svm算法最通俗易懂讲解
最近在学习svm算法,借此文章记录自己的学习过程,在学习很多处借鉴了z老师的讲义和李航的统计,若有不足的地方,请海涵:svm算法通俗的理解在二维上,就是找一分割线把两类分开,问题是如下图三条颜色都可以 ...

随机推荐

Go linux 实践4
这是目前学习的最难的Go demo例子 ***************************************** 如果能看懂,你就出师了,我的任务也就结束了 **************** ...
WebService/WCF/WebAPI 之间的区别
Web Service 1.数据的格式基于SOAP协议 2.数据的传输只支持HTTP协议 3.它只能部署在IIS上 WCF 1.数据的格式基于SOAP协议 2.数据的传输支持HTTP,HTTPS,TC ...
javascript获取style兼容性问题
获取css 样式的方法有三种 : style, currentStyle , getComputedStyle style (无兼容性问题) 获取语法: ele.style.attr : 设置语法:e ...
DataGridView控件用法一：数据绑定
使用DataGridView控件,可以显示和编辑来自多种不同类型的数据源的表格数据. 将数据绑定到DataGridView控件非常简单和直观,在大多数情况下,只需设置DataSource属性即可.在绑 ...
C# And Java 3DES加解密 ECB模式/PKCS7
c#: /// <summary> /// 完整 /// </summary> public class TripleDESHelper1 { ...
使用js Math.random()函数生成n到m间的随机数字
何使用js生成n到m间的随机数字,主要目的是为后期的js生成验证码做准备,Math.random()函数返回0和1之间的伪随机数摘要: 本文讲解如何使用js生成n到m间的随机数字,主要目的是为后 ...
hdu4778 状态压缩
#include <iostream> #include <algorithm> #include <cstdio> #include <vector> ...
[转][LoadRunner]LR性能测试结果样例分析
LR性能测试结果样例分析测试结果分析 LoadRunner性能测试结果分析是个复杂的过程,通常可以从结果摘要.并发数.平均事务响应时间.每秒点击数.业务成功率.系统资源.网页细分图.Web服务器资源 ...
【Hadoop学习之十三】MapReduce案例分析五-ItemCF
环境虚拟机:VMware 10 Linux版本:CentOS-6.5-x86_64 客户端:Xshell4 FTP:Xftp4 jdk8 hadoop-3.1.1 推荐系统——协同过滤(Collab ...
java及spark2.X连接mongodb3.X单机或集群的方法（带认证及不带认证）
首先,我们明确的是访问Mongos和访问单机Mongod并没有什么区别.接下来的方法都是既可以访问mongod又可以访问Mongos的. 另外,读作java写作scala,反正大家都看得懂...... ...

py4CV例子2汽车检测和svm算法

附件列表

py4CV例子2汽车检测和svm算法的更多相关文章

随机推荐

热门专题