如何使用具有面部特征的openCV训练支持向量机（svm）分类器？

Question

我想使用svm分类器进行面部表情检测。我知道opencv有一个svm api，但我不知道应该用什么来训练分类器。到目前为止，我已经阅读了很多论文，所有这些都是在面部特征检测后训练分类器时说的。

到目前为止，我做了什么，

1. 人脸检测，
2. 每帧中16个面部点计算。下面是面部特征检测的输出！[输入图像描述
3. 保存要素的向量指向像素地址

注意：我知道如何仅使用正面和负面图像训练SVM，我看到了这段代码here，但我不知道如何将面部特征信息与它结合起来。

有人可以帮我用svm开始分类。

一个。什么应该是训练分类器的样本输入？

湾如何使用此面部特征点训练分类器？

此致

Answer 1

opencv中的机器学习算法都带有类似的界面。为了训练它，你传递一个NxM Mat offeatures（N行，每个特征一行长度为M）和一个带有类标签的Nx1 Mat。像这样：

//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

对于预测，你以相同的方式用1行填充Mat，它将返回预测的标签

所以，让我们说，你的16个面部点存储在一个矢量中，你会这样做：

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

面部姿势识别是一个广泛研究的问题，您需要使用的适当功能可以通过对现有文献的深入研究找到。一旦你拥有了你认为很好的特征描述符，你就可以继续训练SVM。一旦您使用最佳参数（通过交叉验证找到）训练SVM，就可以开始在看不见的数据上测试SVM模型，并报告准确性。一般来说，这就是管道。

现在关于SVM的部分：

SVM是一个二元分类器 - 它可以区分两个类（尽管它也可以扩展到多个类）。 OpenCV在ML库中有SVM的内置模块。 SVM类有两个函数：train(..)和predict(..)。要训​​练分类器，您可以在输入中输入大量的样本特征描述符及其类标签（通常为-1和+1）。请记住OpenCV支持的格式：每个训练样本都必须是行向量。并且每行在标签向量中将具有一个对应的类标签。因此，如果您有一个长度为n的描述符，并且您有m个样本描述符，那么您的训练矩阵将为m x n（m行，每行长度为{{1} }}），标签向量的长度为n。还有一个m对象，其中包含SVM类型等属性以及您必须指定的SVMParams等参数值。

训练后，您从图像中提取特征，将其转换为单行格式，并提供给C，它将告诉您它属于哪个类（+1或-1）。

还有一个predict()具有相似的参数，格式相似，可以为您提供SVM参数的最佳值。

另请查看此detailed SO answer以查看示例。

编辑： 假设您有一个返回特征向量的特征描述符，算法将类似于：

train_auto()

我不认为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 ); 和extractFeatures()是现有函数，您可能需要自己编写它们。