Jak wyszkolić klasyfikator maszynki wektorowej (svm) z openCV z funkcjami twarzy?

Question

Chcę użyć klasyfikatora svm do wykrywania wyrazu twarzy. Wiem, że opencv ma svm api, ale nie mam pojęcia, co powinno być wejściem do szkolenia klasyfikatora. Do tej pory czytałem wiele artykułów, wszyscy mówią, że po wykryciu cech twarzy uczą klasyfikatora.

tak daleko, co zrobiłem,

1. wykrywania twarzy,
2. 16 Obliczenie punktów twarzy w każdej klatce. Poniżej znajduje się wyjście twarzy wykrywania funkcji [wpisać opis obrazu
3. wektor, który przechowuje adres cechy punkty piksela

Uwaga: wiem, jak mogę trenować SVM tylko z pozytywnych i negatywnych obrazów, ja zobaczyłem ten kod here, ale nie wiem, jak połączyć z nim informacje o funkcji twarzy.

Czy ktoś może mi pomóc, aby rozpocząć klasyfikację z svm.

a. jaki powinien być przykładowy wkład do szkolenia klasyfikatora?

b. Jak wyszkolić klasyfikatora z tymi punktami charakterystycznymi twarzy?

Pozdrawiam,

Answer 1

Algo w uczeniu maszynowym w opencv mają podobny interfejs. aby go wyszkolić, należy podać maty NxM Mat (N wierszy, każda cecha jeden wiersz o długości M) i Mata Nx1 z etykietami klasy. tak:

//traindata  //trainlabels 

f e a t u r e 1 
f e a t u r e -1 
f e a t u r e 1 
f e a t u r e 1 
f e a t u r e -1 

do przewidywania, wypełnić matą z 1 wiersz w taki sam sposób, i nastąpi powrót przewidywany etykietę

więc, powiedzmy, swoje 16 punktów twarzy są przechowywane w wektor, byś jak:

Mat trainData; // start empty 
Mat labels; 

for all facial_point_vecs: 
{ 
    for(size_t i=0; i<16; i++) 
    { 
     trainData.push_back(point[i]); 
    } 
    labels.push_back(label); // 1 or -1 
} 
// now here comes the magic: 
// reshape it, so it has N rows, each being a flat float, x,y,x,y,x,y,x,y... 32 element array 
trainData = trainData.reshape(1, 16*2); // numpoints*2 for x,y 

// we have to convert to float: 
trainData.convertTo(trainData,CV_32F); 

SVM svm; // params omitted for simplicity (but that's where the *real* work starts..) 
svm.train(trainData, labels); 


//later predict: 
vector<Point> points; 
Mat testData = Mat(points).reshape(1,32); // flattened to 1 row 
testData.convertTo(testData ,CV_32F); 
float p = svm.predict(testData); 

Answer 2

rozpoznawanie gestów twarzy jest szeroko zbadane problemem, a odpowiednie funkcje trzeba użyć można znaleźć się bardzo dokładnym badaniu istniejącej literatury. Kiedy już masz deskryptor funkcji, który uważasz za dobry, kontynuujesz szkolenie SVM. Po wyszkoleniu maszyny SVM z optymalnymi parametrami (znalezionymi podczas sprawdzania krzyżowego), rozpoczynasz testowanie modelu SVM na niewidocznych danych i raportujesz dokładność. Na ogół jest to rurociąg.

Teraz część o SVMs:

SVM jest binarnym classifier- może rozróżnić dwie klasy (choć może on być przedłużony do wielu klas, jak również). OpenCV ma wbudowany moduł dla SVM w bibliotece ML. Klasa SVM ma dwie funkcje: train(..) i predict(..). Aby wyszkolić klasyfikator, podajesz jako dane wejściowe bardzo dużą liczbę przykładowych deskryptorów cech, wraz z ich etykietami klas (zazwyczaj -1 i +1). Pamiętaj, że format obsługuje OpenCV: każda próbka treningowa musi być wektorem wiersza. A każdy wiersz będzie miał jedną odpowiednią etykietę klasy w wektorze etykiet. Jeśli więc masz deskryptor o długości n i masz takie deskryptory przykładowe, twoja matryca treningowa będzie m x n (m rzędów, każda o długości n), a wektor etykiet będzie miał długość m. Istnieje również obiekt SVMParams zawierający właściwości, takie jak typ SVM i wartości dla parametrów takich jak C, które należy określić.

Po szkoleniu wyodrębnia się funkcje z obrazu, przekształca je w format jednorzędowy i podaje predict(), aby określić, do której klasy należy (+1 lub -1).

Istnieje również train_auto() z podobnymi argumentami o podobnym formacie, który daje optymalne wartości parametrów SVM.

Sprawdź również ten detailed SO answer, aby zobaczyć przykład.

EDIT: Zakładając, że deskryptor funkcja, która zwraca wektor cech, algorytm będzie coś takiego:

Mat trainingMat, labelsMat; 
for each image in training database: 
    feature = extractFeatures(image[i]); 
    Mat feature_row = alignAsRow(feature); 
    trainingMat.push_back(feature_row); 
    labelsMat.push_back(-1 or 1); //depending upon class. 
mySvmObject.train(trainingMat, labelsMat, Mat(), Mat(), mySvmParams); 

nie zakładać, że extractFeatures() i alignAsRow() są istniejące funkcje, może być konieczne napisać je samemu.