HOG+SVMで物体認識(OpenCV3) - 空飛ぶロボットのつくりかた

HOG+SVM

HOG : 局所領域 (セル) の輝度の勾配方向をヒストグラム化

2class の分類を行う

sample1とsample2ディレクトリに分類したい画像を同じ枚数用意
予測したい画像を用意（test.png）

実行方法

python hog_svm_2class.py test.png

そうすると、0 or 1 で予測された結果が返ってくる

hog_svm_2class.py

# -*- coding: utf-8 -*

import os
import glob
import sys

import cv2
import numpy as np

bin_n = 32 # need adjustment

# 画像が存在するディレクトリの代入
images_1 = glob.glob('sample1/*.*')
images_2 = glob.glob('sample2/*.*')

hist_list1 = []
hist_list2 = []

def hog(img):
    gx = cv2.Sobel(img, cv2.CV_32F, 1, 0)
    gy = cv2.Sobel(img, cv2.CV_32F, 0, 1)
    mag, ang = cv2.cartToPolar(gx, gy)
    bins = np.int32(bin_n*ang/(2*np.pi))    # quantizing binvalues in (0...16)
    hists = np.bincount(bins.ravel(), mag.ravel(), bin_n)
    return hists

for image1, image2 in zip(images_1 , images_2):
    img1 = cv2.imread(image1, 0)
    img1_roi = img1[160:320, 120:320]
    hist1 = hog(img_roi)
    hist_list1.append(hist1)

    img2 = cv2.imread(image2, 0)
    img2_roi = img2[160:320, 120:320]
    hist2 = hog(img_roi)
    hist_list2.append(hist2)

train_data1 = np.array(hist_list1, np.float32)
train_data2 = np.array(hist_list2, np.float32)
trainingDataMat = np.r_[train_data1, train_data2]

label_list = [0]*(len(images_1)+len(images_2))
label_list[len(images_1):] = [1]*len(images_2)
labelsMat = np.array([label_list], np.int32)

# Train the SVM
svm = cv2.ml.SVM_create()
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_RBF)  # RBF1が良さげ
#svm.setDegree(0.0)
svm.setGamma(5.4)
#svm.setCoef0(0.0)
svm.setC(2.7)
#svm.setNu(0.0)
#svm.setP(0.0)
#svm.setClassWeights(None)
svm.setTermCriteria((cv2.TERM_CRITERIA_COUNT, 100, 1.e-06))
svm.train(trainingDataMat, cv2.ml.ROW_SAMPLE, labelsMat)

# TEST 
test_hist_list = []
img = cv2.imread(sys.argv[1], 0)
img_roi = img[160:320, 120:320]
hist = hog(img_roi)
test_hist_list.append(hist)

test_data = np.array(test_hist_list, np.float32)
testDataMat = test_data
response = svm.predict(testDataMat)
print response[1]