利用opencv的hog+svm實現細胞識別分類器

標籤：影像處理   模式識別   演算法   hog   svm   

利用opencv的hog+svm實現細胞識別分類器

 

影像處理中的細胞識別和Face Service可以這樣來類比，映像中的一張張人臉就是一個個細胞。

模式識別的關鍵在於樣本庫的選取，識別率也只能在和樣本庫比較接近的環境下才能保證。主要工作是三部分一是特徵提取，二是樣本庫的訓練train，三是目標檢測detect。

一．特徵提取

特徵提取採用的是HOG特徵即HOG描述子，該特徵在行人檢測中效果非常好。而一般Face Service採用的是haar特徵，這在opencv中都有實現，並都給出了相應的分類器，效果都很不錯。

首先採集了正樣本6000多份，然後負樣本90000多份，正樣本就是手動從映像中把細胞儲存下來，為了工作方便一般先大概截個正方形就好了，然後對得到的正樣本依次做三次順時針旋轉，目的是為了滿足旋轉不變性。之後寫個程式將這些正樣本的尺寸統一縮放到64*64，這個尺寸決定了最終svm演算法中的特徵維數。負樣本就是非細胞的映像，可以用程式得到，不需要人工了，最終也將尺寸統一縮放到64*64即可。

二．訓練樣本

利用HOGDescriptor.compute計算所有的樣本特徵值，存入svm演算法中訓練用的特徵矩陣train_mat中，同時將每個樣本的類別儲存到標籤向量label_mat中，正樣本的標籤為1，負樣本為0；然後用svm.train函數訓練得到分類器檔案svm_data.xml。

三．目標檢測

訓練好的SVM分類器儲存為XML檔案，然後根據其中的支援向量和參數產生OpenCV中的HOG描述子可用的檢測子參數，再調用OpenCV中的多尺度檢測函數進行細胞檢測。

檢測子參數的計算過程就是svm演算法中從一開始得到的阿爾法係數轉變得到w係數的過程。

---------------------------------------------------------------------------------------------------------------------

難例(Hard Example)是指利用第一次訓練的分類器在負樣本原圖(肯定沒有人體)上進行行人檢測時所有檢測到的矩形框，這些矩形框地區很明顯都是誤判，把這些誤判的矩形框儲存為圖片，加入到初始的負樣本集合中，重新進行SVM的訓練，可顯著減少誤判。

 

利用opencv的hog+svm實現細胞識別分類器