SVM训练模型时出错

[豆子DXS]

VS2012+OPENCV3 程序运行到SVM_params->train(tData);出现中断

//********************************************用统计像素值的方法+SVM训练模型-产生.xml文件模型****************************
//**********************************************时间：2019年3月12日*******************************************************
//*********************************************VS2012+opencv3************************************************************
#include <stdio.h>  
#include <time.h>  
#include <opencv2/opencv.hpp>  
#include <opencv/cv.h>  
#include <iostream> 
#include <opencv2/core/core.hpp>  
#include <opencv2/highgui/highgui.hpp>  
#include <opencv2/ml/ml.hpp>  
#include <io.h> //查找文件相关函数

using namespace std;
using namespace cv;
using namespace ml;

ostringstream oss;//用于执行C风格的串流的输出操作，格式化字符串，避免申请大量的缓冲区，替代sprintf
int num = -1;
Mat dealimage;
Mat src;
Mat yangben_gray;
Mat yangben_thresh;

int main()
{
	//核心思路：//获取一张图片后会将图片特征写入到容器中， //训了样本图片与测试图片的尺寸应该一样
	//紧接着会将标签写入另一个容器中，这样就保证了特征
	//  和标签是一一对应的关系。
	////===============================读取训练数据===============================////
	const int classsum = 10;//图片共有10类，可修改
	//const int imagesSum = 20;//每类有张图片，可修改,每个文件夹中图片不同，小小修改
	const int imageRows =20;//图片尺寸
	const int imageCols = 20;
	//训练数据，每一行一个训练图片
	Mat trainingData;
	//训练样本标签
	Mat labels;
	//最终的训练样本标签
	Mat clas;
	//最终的训练数据
	Mat traindata;
	vector<Mat> input_images;
	vector<String> input_images_name;
	//////////////////////从指定文件夹下提取图片//////////////////
	for (int p = 0; p < classsum; p++)//依次提取0到9文件夹中的图片
	{
		//oss << "E:/learn/graduate/C++/SVM/统计像素值训练模型/训练样本/";
		oss << "E:/learn/graduate/C++/SVM/统计像素值训练模型/数字/";
		num += 1;//num从0到9
		int label = num;
		oss << num << "/*.jpg";//图片名字后缀，oss可以结合数字与字符串，图片路径
		string pattern = oss.str();//oss.str()输出oss字符串，并且赋给pattern
		oss.str("");//每次循环后把oss字符串清空
		glob(pattern, input_images_name, false);
		//为false时，仅仅遍历指定文件夹内符合模式的文件，当为true时，会同时遍历指定文件夹的子文件夹
		//此时input_images_name存放符合条件的图片地址
		int all_num = input_images_name.size();//文件下总共有几个图片
		//cout << num << ":总共有" << all_num << "个图片待测试" << endl;
		//for (int i = 0; i < imagesSum; i++)//依次循环遍历每个文件夹中的图片,当不同文件夹中图片相同时
		for (int i = 0; i < all_num; i++)//依次循环遍历每个文件夹中的图片，当不同文件夹中图片不相同时
		{
			cvtColor(imread(input_images_name[i]), yangben_gray, COLOR_BGR2GRAY);//灰度变换
			threshold(yangben_gray, yangben_thresh, 0, 255, THRESH_OTSU);//二值化
			//threshold(yangben_gray, yangben_thresh, 200, 255, CV_THRESH_BINARY);//固定阈值分割																
			input_images.push_back(yangben_thresh); //循环读取每张图片并且依次放在vector<Mat> input_images内
			dealimage = input_images[i];
			//注意：我们简单粗暴将整个图的所有像素作为了特征，因为我们关注更多的是整个的训练过程
			//，所以选择了最简单的方式完成特征提取工作，除此中外，
			//特征提取的方式有很多，比如LBP，HOG等等
			//我们利用reshape()函数完成特征提取,
			//reshape(1, 1)的结果就是原图像对应的矩阵将被拉伸成一个一行的向量，作为特征向量。 
			dealimage = dealimage.reshape(1, 1);//图片序列化
			trainingData.push_back(dealimage);//序列化后的图片依次存入
			labels.push_back(label);//把每个图片对应的标签依次存入
		}
	}
	//图片数据和标签转变下
	Mat(trainingData).copyTo(traindata);//复制
	traindata.convertTo(traindata, CV_32FC1);//更改图片数据的类型，必要，不然会出错
	Mat(labels).copyTo(clas);//复制
   ////===============================创建SVM模型===============================////
	// 创建分类器并设置参数
	Ptr<SVM> SVM_params = SVM::create();
    SVM_params->setType(SVM::C_SVC);//C类支撑向量分类机。 n类分组 （n≥2），容许用异常值处罚因子C进行不完全分类
    SVM_params->setKernel(SVM::LINEAR);  //核函数,没有任何向映射至高维空间，线性区分（或回归）在原始特点空间中被完成，这是最快的选择

	SVM_params->setDegree(0);//degree:内核函数（POLY）的参数degree
    SVM_params->setGamma(1);//gamma:内核函数（POLY/ RBF/ SIGMOID）的参数
    SVM_params->setCoef0(0);//内核函数（POLY/ SIGMOID）的参数coef0
    SVM_params->setC(1);// SVM类型（C_SVC/ EPS_SVR/ NU_SVR）的参数C  SVM最优问题参数
    SVM_params->setNu(0);//SVM类型（NU_SVC/ ONE_CLASS/ NU_SVR）的参数 SVM最优问题参数
    SVM_params->setP(0);//SVM类型（EPS_SVR）的参数  SVM最优问题参数
	//结束条件，即训练1000次或者误差小于0.01结束
    SVM_params->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, 0.01));// term_crit:SVM的迭代练习过程的中断前提，解决项目组受束缚二次最优题目
    //训练数据和标签的结合
	Ptr<TrainData> tData = TrainData::create(trainingData, ROW_SAMPLE, clas);
	// 训练分类器
	SVM_params->train(tData);//训练
	//保存模型
	SVM_params->save("E:/learn/graduate/C++/SVM/统计像素值训练模型/图片识别svm.xml");
    cout << "训练好了！！！" << endl;
    getchar();
    return 0;
}

自动窗口显示：

+ SVM_params {owner=0x00c7de58 <无可用信息，未为 opencv_world300d.dll 加载任何符号> stored=0x03c52e00 <无可用信息，未为 opencv_world300d.dll 加载任何符号> } cv::Ptr<cv::ml::SVM>

+ clas {flags=1124024324 dims=2 rows=1441 ...} cv::Mat
+ tData {owner=0x00c7de18 <无可用信息，未为 opencv_world300d.dll 加载任何符号> stored=0x0308c2b0 <无可用信息，未为 opencv_world300d.dll 加载任何符号> } cv::Ptr<cv::ml::TrainData>
+ trainingData {flags=1124024320 dims=2 rows=1441 ...} cv::Mat

[豆子DXS]

把 //Ptr<TrainData> tData = TrainData::create(trainingData, ROW_SAMPLE, clas);
//SVM_params->train(tData);//训练

改成
SVM_params->train(trainingData,ROW_SAMPLE, clas);