Hog+SVM训练出来的svm.xml文件竟然有1.8G！

qq_34023390 2016-05-13 10:10:37

我的训练样本一共400个，正样本200、负样本200，样本尺寸为136x36，参考以下代码训练样本得到数据文件，但是文件怎么会这么大呢，1.8G呀！而且程序到了后面测试样本时就出错了，难道训练的时候用到的数据不是图片？

#include "cv.h"
#include "highgui.h"
#include <ml.h>
#include <iostream>
#include <fstream>
#include <string>
#include <vector>
using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
vector<string> img_path;//输入文件名变量
vector<int> img_catg;
int nLine = 0;
string buf;
ifstream svm_data( "data.txt" );//首先，这里搞一个文件列表，把训练样本图片的路径都写在这个txt文件中，使用bat批处理文件可以得到这个txt文件
unsigned long n;

while( svm_data )//将训练样本文件依次读取进来
{
if( getline( svm_data, buf ) )
{
nLine ++;
if( nLine % 2 == 0 )//这里的分类比较有意思，看得出来上面的SVM_DATA.txt文本中应该是一行是文件路径，接着下一行就是该图片的类别，可以设置为0或者1，当然多个也无所谓
{
img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，标志（0,1），注意这里至少要有两个类别，否则会出错
}
else
{
img_path.push_back( buf );//图像路径
}
}
}
svm_data.close();//关闭文件

CvMat *data_mat, *res_mat;
int nImgNum = nLine / 2; //读入样本数量，因为是每隔一行才是图片路径，所以要除以2
////样本矩阵，nImgNum：横坐标是样本数量， WIDTH * HEIGHT：样本特征向量，即图像大小
data_mat = cvCreateMat( nImgNum, 365904, CV_32FC1 ); //这里第二个参数，即矩阵的列是由下面的descriptors的大小决定的，可以由descriptors.size()得到，且对于不同大小的输入训练图片，这个值是不同的
cvSetZero( data_mat );
//类型矩阵,存储每个样本的类型标志
res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );
cvSetZero( res_mat );

IplImage* src;
string path;
IplImage* trainImg=cvCreateImage(cvSize(36,136),8,3);//需要分析的图片，这里默认设定图片是64*64大小，所以上面定义了1764，如果要更改图片大小，可以先用debug查看一下descriptors是多少，然后设定好再运行

vector<float>descriptors;//结果数组
//开始搞HOG特征
HOGDescriptor *hog=new HOGDescriptor(cvSize(16,16),cvSize(8,8),cvSize(8,8),cvSize(4,4),9); //具体意思见参考文章1,2

for( string::size_type i = 0; i != img_path.size(); i++ )
{
path=img_path[i];
src=cvLoadImage(path.c_str(),1);
if( src == NULL )
{
cout<<" can not load the image: "<<img_path[i].c_str()<<endl;
continue;
}

cout<<" processing "<<img_path[i].c_str()<<endl;

cvResize(src,trainImg); //读取图片

hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算

cout<<"HOG dims: "<<descriptors.size()<<endl;
//CvMat* SVMtrainMat=cvCreateMat(descriptors.size(),1,CV_32FC1);
n=0;
for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
{
cvmSet(data_mat,i,n,*iter);//把HOG存储下来
n++;
}
//cout<<SVMtrainMat->rows<<endl;
cvmSet( res_mat, i, 0, img_catg[i] );
//{
// vector<float>().swap(descriptors); //释放vector内存
//}
cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
cvReleaseImage( &src );
src=NULL;

}
cout<<endl;
cout<<"【1】Hog提取特征结束，开始训练样本！"<<endl;
cout<<endl;

CvSVM svm;//新建一个SVM
CvSVMParams param;//这里是参数
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 );
/*
SVM种类：CvSVM::C_SVC
Kernel的种类：CvSVM::RBF
degree：10.0（此次不使用）
gamma：8.0
coef0：1.0（此次不使用）
C：10.0
nu：0.5（此次不使用）
p：0.1（此次不使用）
然后对训练数据正规化处理，并放在CvMat型的数组里。
*/

svm.train( data_mat, res_mat, NULL, NULL, param );//训练啦
svm.save( "SVM.xml" );

cout<<endl;
cout<<"【2】训练结束，以保存训练数据：SVM.xml"<<endl;
cout<<endl;

//检测样本
IplImage *test;
vector<string> img_tst_path;
ifstream img_tst( "test.txt" );//同输入训练样本，这里也是一样的，只不过不需要标注图片属于哪一类了
while( img_tst )
{
if( getline( img_tst, buf ) )
{
img_tst_path.push_back( buf );
}
}
img_tst.close();

cout<<endl;
cout<<"【3】开始测试样本！"<<endl;
cout<<endl;

CvMat *test_hog = cvCreateMat( 1, 365904, CV_32FC1 );//注意这里的1764，同上面一样
CvMat* SVMtrainMat;
char line[512];
ofstream predict_txt( "preditcion.txt" );//把预测结果存储在这个文本中
CvSVM svm_hog;
svm_hog.load("SVM.xml");

for( string::size_type j = 0; j != img_tst_path.size(); j++ )//依次遍历所有的待检测图片
{
path=img_tst_path[j];
test = cvLoadImage(path.c_str(), 1);
if( test == NULL )
{
cout<<" can not load the image: "<<img_tst_path[j].c_str()<<endl;
continue;
}

cvZero(trainImg);
cvResize(test,trainImg); //读取图片
//vector<float>descriptors;//结果数组
hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //调用计算函数开始计算

cout<<"HOG dims: "<<descriptors.size()<<endl;

if (j==0)
{
SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1);
}
n=0;
for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
{
cvmSet(SVMtrainMat,0,n,*iter);
n++;
}

int ret = svm_hog.predict(SVMtrainMat);//获取最终检测结果，这个predict的用法见 OpenCV的文档
std::sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret );

/*{
vector<float>().swap(descriptors);
}*/
predict_txt<<line;
cvReleaseImage( &test );
test=NULL;

}
predict_txt.close();

cvReleaseImage( &trainImg);

cvReleaseMat( &test_hog );
cvReleaseMat( &data_mat );
cvReleaseMat( &res_mat );

return 0;
}

...全文