主成分分析使用 C++ 的 SVM OpenCV 2.2 中的语法

Question

我在使用最新的 C++ 语法与 Mat 和 PCA 类来获取 PCA 和 Eigenfaces 时遇到问题。旧的 C 语法采用 IplImage* 数组作为参数来执行其处理，而当前的 API 只采用按 Column 或 Row 格式化的 Mat。我采用行方法，使用重塑函数来调整图像的矩阵以适合单行。我最终想获取这些数据，然后使用 SVM 算法进行检测，但当我这样做时，我的所有数据都只是一串 0。有人可以帮我吗？我做错了什么？谢谢！

我看到这个问题，它有些相关，但我'我不确定解决方案是什么。

这基本上就是我所拥有的：

vector<Mat> images; //This variable will be loaded with a set of images to perform PCA on.
Mat values(images.size(), 1, CV_32SC1); //Values are the corresponding values to each of my images.

int nEigens = images.size() - 1; //Number of Eigen Vectors.

//Load the images into a Matrix
Mat desc_mat(images.size(), images[0].rows * images[0].cols, CV_32FC1);
for (int i=0; i<images.size(); i++) {
  desc_mat.row(i) = images[i].reshape(1, 1);
}

Mat average;
PCA pca(desc_mat, average, CV_PCA_DATA_AS_ROW, nEigens);

Mat data(desc_mat.rows, nEigens, CV_32FC1); //This Mat will contain all the Eigenfaces that will be used later with SVM for detection

//Project the images onto the PCA subspace
for(int i=0; i<images.size(); i++) {
  Mat projectedMat(1, nEigens, CV_32FC1);
  pca.project(desc_mat.row(i), projectedMat);

  data.row(i) = projectedMat.row(0);
}

CvMat d1 = (CvMat)data;
CvMat d2 = (CvMat)values;

CvSVM svm;
svm.train(&d1, &d2);
svm.save("svmdata.xml");

Answer 1

etarion说的是正确的。

要复制列或行，您始终必须编写：

Mat B = mat.col(i);
A.copyTo(B);

以下程序显示了如何在 OpenCV 中执行 PCA。它将显示平均图像和前三个特征脸。我在那里使用的图像可从 http://www.cl.cam.ac 获取.uk/research/dtg/attarchive/facedatabase.html：

#include "cv.h"
#include "highgui.h"

using namespace std;
using namespace cv;

Mat normalize(const Mat& src) {
    Mat srcnorm;
    normalize(src, srcnorm, 0, 255, NORM_MINMAX, CV_8UC1);
    return srcnorm;
}

int main(int argc, char *argv[]) {
    vector<Mat> db;

    // load greyscale images (these are from http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html)
    db.push_back(imread("s1/1.pgm",0));
    db.push_back(imread("s1/2.pgm",0));
    db.push_back(imread("s1/3.pgm",0));

    db.push_back(imread("s2/1.pgm",0));
    db.push_back(imread("s2/2.pgm",0));
    db.push_back(imread("s2/3.pgm",0));

    db.push_back(imread("s3/1.pgm",0));
    db.push_back(imread("s3/2.pgm",0));
    db.push_back(imread("s3/3.pgm",0));

    db.push_back(imread("s4/1.pgm",0));
    db.push_back(imread("s4/2.pgm",0));
    db.push_back(imread("s4/3.pgm",0));

    int total = db[0].rows * db[0].cols;

    // build matrix (column)
    Mat mat(total, db.size(), CV_32FC1);
    for(int i = 0; i < db.size(); i++) {
        Mat X = mat.col(i);
        db[i].reshape(1, total).col(0).convertTo(X, CV_32FC1, 1/255.);
    }

    // Change to the number of principal components you want:
    int numPrincipalComponents = 12;

    // Do the PCA:
    PCA pca(mat, Mat(), CV_PCA_DATA_AS_COL, numPrincipalComponents);

    // Create the Windows:
    namedWindow("avg", 1);
    namedWindow("pc1", 1);
    namedWindow("pc2", 1);
    namedWindow("pc3", 1);

    // Mean face:
    imshow("avg", pca.mean.reshape(1, db[0].rows));

    // First three eigenfaces:
    imshow("pc1", normalize(pca.eigenvectors.row(0)).reshape(1, db[0].rows));
    imshow("pc2", normalize(pca.eigenvectors.row(1)).reshape(1, db[0].rows));
    imshow("pc3", normalize(pca.eigenvectors.row(2)).reshape(1, db[0].rows));

    // Show the windows:
    waitKey(0);
}

如果您想按行构建矩阵（就像上面的原始问题一样），请改用：

// build matrix
Mat mat(db.size(), total, CV_32FC1);
for(int i = 0; i < db.size(); i++) {
    Mat X = mat.row(i);
    db[i].reshape(1, 1).row(0).convertTo(X, CV_32FC1, 1/255.);
}

并将 PCA 中的标志设置为：

CV_PCA_DATA_AS_ROW

关于机器学习。我写了一篇关于使用 OpenCV C++ API 进行机器学习的文档，其中包含大多数分类器（包括支持向量机）的示例。也许您可以在那里获得一些灵感：http://www.bytefish.de/pdf/machinelearning.pdf。

Answer 2

data.row(i) = projectedMat.row(0);

这是行不通的。 operator= 是浅拷贝，意味着没有实际复制数据。 可用于：

cv::Mat sample = data.row(i); // also a shallow copy, points to old data!
projectedMat.row(0).copyTo(sample);

同样也

desc_mat.row(i) = images[i].reshape(1, 1);

Answer 3

我建议

查看 svn head module/core/test/test_mat.cpp

在线 中新签入的测试： https://code.ros.org/svn/opencv/trunk/opencv/modules/core/test/test_mat.cpp

有 PCA 示例旧的 C 和新的 C++

希望有帮助！