上一篇教程中我們介紹了如何使用OpenCv封裝的FaceRecognizer類實現簡單的人臉性別識別，這裡我們為大家提供另外一種基本的性別識別手段——支持向量機（SVM）。
支持向量機在解決二分類問題方面有著強大的威力（當然也可以解決多分類問題），性別識別是典型的二分類模式識別問題，因此很適合用SVM進行處理，同時OpenCv又對SVM進行了很好的封裝，調用非常方便，因此我們在這個性別識別程序中考慮加入SVM方法。
在這裡我們采用了HOG+SVM的模式來進行，即先提取圖像的HOG特征，然後將這些HOG特征輸入SVM中進行訓練。
一、SVM概述
SVM的數學原理十分復雜，我們不在這裡過多討論，有關OpenCv中SVM的用法，這裡為大家提供兩篇博客以供參考：OpenCV的SVM用法以及OpenCV 2.4+ C++ SVM介紹。
二、HOG特征概述
HOG特征是圖像的梯度特征，具體參見：目標檢測的圖像特征提取之（一）HOG特征
三、建立訓練集
這裡繼續沿用上一篇博文中提到的性別識別訓練集，400張男性人臉樣本400張女性人臉樣本，下載地址：性別識別數據集。
四、算法的訓練與測試
1、建立控制台工程，配置OpenCv環境
這裡將工程命名為：GenderSVM。
2、編寫批量讀取函數read_csv（）
只要涉及到訓練，都需要批量讀取訓練樣本的操作，SVM也不例外，因此需要先編寫批量讀取函數read_csv（）。考慮到之前的批量讀取函數必須一次性將所有訓練樣本讀入內存中，內存消耗較大，在這裡做一個小小的改進：
void read_csv(String& csvPath,Vector& trainPath,Vector & 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())); } } }
可見這裡我們將輸入參數由vector
3、讀入訓練樣本路徑
string trainCsvPath = "E:\\性別識別數據庫—CAS-PEAL\\at.txt";
vector vecTrainPath;
vector vecTrainLabel;
read_csv(trainCsvPath,vecTrainPath,vecTrainLabel);
順利批量讀入路徑：
4、訓練初始化
在提取HOG特征之前，需要初始化訓練數據矩陣：
/**********初始化訓練數據矩陣**********/
int iNumTrain = 800;
Mat trainDataHog;
Mat trainLabel = Mat::zeros(iNumTrain,1,CV_32FC1);
需要強調的是SVM的訓練數據必須都是CV_32FC1格式，因此這裡顯式的將標簽矩陣trainLabel初始化為CV_32FC1格式，trainDataHog稍後進行初始化。
5、提取圖像HOG特征
接下來循環讀入所有的訓練樣本，提取HOG特征，放在訓練數據矩陣中。考慮嵌套代碼的復雜性，這裡先給出整體代碼，稍後解釋：
/**********提取HOG特征，放入訓練數據矩陣中**********/
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 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::iterator iter = descriptor.begin();iter != descriptor.end();iter++)
{
trainDataHog.at(i,n) = *iter;
n++;
}
trainLabel.at(i,0) = vecTrainLabel[i];
}
接下來我們對這段代碼進行詳細解釋。
（1）循環讀入訓練樣本
從vecTrainPath容器中逐條取出訓練樣本路徑，然後讀取：
imageSrc = imread(vecTrainPath[i].c_str(),1);
（2）尺寸歸一化
我們這裡將圖像尺寸歸一化為64*64，這是因為當時在寫程序時參考了一篇關於HOG特征的博客。這裡的尺寸大家可以隨意設定，當然也會影響最終的識別效率，64*64可能並不是一個最優的尺寸：
imageSrc = imread(vecTrainPath[i].c_str(),1);
resize(imageSrc,imageSrc,Size(64,64));
（3）計算HOG特征
OpenCv給出的HOG特征計算接口非常簡潔，三句話即完成：
HOGDescriptor *hog = new HOGDescriptor(cvSize(64,64),cvSize(16,16),
cvSize(8,8),cvSize(8,8),9);
vector descriptor;
hog->compute(imageSrc,descriptor,Size(1,1),Size(0,0));
提取的特征以容器的數據 結構形式給出。至於計算時的參數設定，參見我之前提供的那兩篇博客即可。
（4）初始化數據矩陣trainDataHog
前面提到，SVM中用到的訓練數據矩陣必須是CV_32FLOAT形式的，因此需要對數據矩陣顯示的指定其尺寸和類型。然後由於trainDataHog行數為訓練樣本個數，而列數為圖片HOG特征的維數，因此無法在進行HOG特征提取之前確定其尺寸，因此這裡選擇在進行完第一張樣本的HOG特征、得到對應維數之後，在進行初始化：
if (i == 0)
{
trainDataHog = Mat::zeros(iNumTrain,descriptor.size(),CV_32FC1);
}
（5）將得到的HOG特征存入數據矩陣
得到的HOG特征是浮點數容器的形式，我們需要將其轉換成矩陣的形式以便於訓練SVM，這就涉及到了vector和Mat兩個數據結構的遍歷。vector遍歷這裡推薦使用迭代器的方式，而Mat遍歷這裡則選擇了相對耗時但是最簡單的方式——直接使用at函數：
int n = 0;
for (vector::iterator iter = descriptor.begin();iter != descriptor.end();iter++)
{
trainDataHog.at(i,n) = *iter;
n++;
}
trainLabel.at(i,0) = vecTrainLabel[i];
訓練得到的HOG特征如圖所示：
可見在當前的參數設定下，提取到的HOG特征為1764維，共800張訓練樣本，每一行代表一個圖片的HOG特征向量。通過“ctrl+鼠標滾輪”放大觀察特征向量的具體參數：
6、訓練SVM分類器
有關OpenCv中SVM分類器的使用可以參見以下博客：OpenCV 2.4+ C++ SVM介紹。
首先，初始化相關參數：
/**********初始化SVM分類器**********/
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 );
開始訓練、訓練完成後保存分類器：
/**********訓練並保存SVM**********/
svm.train(trainDataHog,trainLabel,Mat(),Mat(),param);
svm.save("E:\\性別識別數據庫—CAS-PEAL\\SVM_SEX_Model.txt");
注意我們這裡選擇將分類器保存為txt形式：
當然，我們可以打開這個txt文件，查看裡面的參數：
7、測試分類效果
測試過程和訓練過程基本相同，讀取圖片、尺寸歸一化、提取HOG特征、預測：
/**********測試SVM分類性能**********/
Mat testImage = imread("E:\\性別識別數據庫—CAS-PEAL\\測試樣本\\女性測試樣本\\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 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::iterator iter = descriptor.begin();iter != descriptor.end();iter++)
{
testHog.at(0,n) = *iter;
n++;
}
int predictResult = svm.predict(testHog);
8、完整代碼
這裡給出HOG+SVM進行性別識別的完整代碼：
