程式師世界 >> 編程語言 >> C語言 >> C++ >> 關於C++ >> C++開發人臉性別識別教程（6）——通過SVM實現性別識別

C++開發人臉性別識別教程（6）——通過SVM實現性別識別

編輯：關於C++

　　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改為vector，然後返回裝有訓練樣本的所有路徑的容器，需要時在根據其中的路徑進行讀取，降低了內存占用量。

　　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：

// GenderSVM.cpp : 定義控制台應用程序的入口點。
//

#include "stdafx.h"
#include 
#include 
#include 
#include 

using namespace std;
using namespace cv;

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()));
        }
    }
}

int _tmain(int argc, _TCHAR* argv[])
{
    /**********批量讀入訓練樣本路徑**********/
    string trainCsvPath = "E:\\性別識別數據庫—CAS-PEAL\\at.txt";
    vector vecTrainPath;
    vector vecTrainLabel;
    read_csv(trainCsvPath,vecTrainPath,vecTrainLabel);

    /**********初始化訓練數據矩陣**********/
    int iNumTrain = 800;
    Mat trainDataHog;
    Mat trainLabel = Mat::zeros(iNumTrain,1,CV_32FC1);

    /**********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];
    }

    /**********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 );     

    /**********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");

    /**********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);

    return 0;
}

　　五、總結

　　以上就是通過HOG特征+SVM進行性別識別的完整代碼，在編寫代碼的過程中遇到了一些有趣的問題，這裡稍作總結。

　　1、變量命名格式

　　當代碼量很大的時候，變量的命名格式就顯得十分重要，相信大家早已不用那種a、b、m、n這種簡單的無意義的命名方法了。在C++中推薦大家使用匈牙利命名法，即“類型縮寫+變量名縮寫”的命名格式。例如vecTrainPath這個變量名，前綴“vec”表明這個變量是一個vector格式的變量，而“TrainPath”則表明這個容器中存放的是訓練樣本的路徑。這種命名方式在大型工程中非常重要，還有一點需要注意的是當變量名中出現多個縮略短語時，推薦第一個短語小寫，其他短語的首字母大寫。

　　2、為何選擇HOG特征

　　通過實驗發現，直接將圖像向量化後輸入SVM（不經過特征提取）的方式的正確率將不理想。雖然本質上像素本身最能代表圖像的語義信息，但由於SVM並不具備特征提取能力，因此效果不佳。確切的說，特征提取是模式分類的必要過程，即便是深度學習也不例外，因為深度學習（DeepLearning）本質上也是一種特征提取的手段，只不過提取得到的特征更深層，更抽象，表現力更強。為此我之前曾專門寫過一篇博客進行闡述：淺談模式識別中的特征提取

　　當然這裡大家可以嘗試提取其他特征之後再進行分類，甚至可以考慮通過提起深度特征來進行分類，這裡只是以HOG特征為例而已。

　　4、有關vector的一些使用（為什麼不用int型數組）

　　在這段代碼中我們大量用到了vector結構，這是C++11的新特性。仔細觀察，其實vector結構的最明顯的一個優勢就是能夠動態分配大小，實時添加/刪除元素，這點是數組所不能實現的。雖然可以通過new操作符來實現數組的動態分配，但我們仍推薦大家在需要使用可動態變化的數組的場合，使用vector。

　　5、Vectot和vector

　　在編寫代碼是仔細留心編譯器給出的拼寫提示，會發現這樣一現象：