HOG+SVM实现数字识别

#include 
#include 
#include 
#include “opencv2/objdetect.hpp“
#include 

using namespace cv::ml;
using namespace cv;
using namespace std;
string pathName = “digits.png“;
int SZ = 20;
float affineFlags = WARP_INVERSE_MAP | INTER_LINEAR;

//倾斜矫正
Mat deskew（Mat& img） {
	Moments m = moments（img）;
	if （abs（m.mu02） < 1e-2） {
		return img.clone（）;
	}
	float skew = m.mu11 / m.mu02;
	Mat warpMat = （Mat_（2 3） << 1 skew -0.5*SZ*skew 0 1 0）; //2*3变换矩阵
	Mat imgOut = Mat::zeros（img.rows img.cols img.type（））;
	warpAffine（img imgOut warpMat imgOut.size（） affineFlags）;

	return imgOut;
}


//加载训练测试数据集标签
void loadTrainTestLabel（string &pathName vector &trainCells  vector &trainLabels） {

	Mat img = imread（pathName CV_LOAD_IMAGE_GRAYSCALE）;
	int ImgCount = 0;
	for （int i = 0; i < img.rows; i = i + SZ）
	{
		for （int j = 0; j < img.cols; j = j + SZ）
		{
			Mat digitImg = （img.colRange（j j + SZ）.rowRange（i i + SZ））.clone（）;
			
				trainCells.push_back（digitImg）;
			
			ImgCount++;
		}
	}

	cout << “Image Count : “ << ImgCount << endl;

	float digitClassNumber = 0;
	for （int z = 0; z	{
		if （z % 500 == 0 && z != 0）
		{
			digitClassNumber = digitClassNumber + 1;
		}
		trainLabels.push_back（digitClassNumber）;
	}	
}
// 创建倾斜矫正后的训练集测试集
void CreateDeskewedTrainTest（vector &deskewedTrainCells vector &trainCells） {


	for （int i = 0; i
		Mat deskewedImg = deskew（trainCells[i]）;
		deskewedTrainCells.push_back（deskewedImg）;
	}

}
//HOG特征描述子
HOGDescriptor hog（
	Size（20 20） //winSize
	Size（10 10） //blocksize
	Size（5 5） //blockStride
	Size（10 10） //cellSize
	9 //nbins
	1 //derivAper
	-1 //winSigma
	0 //histogramNormType
	0.2 //L2HysThresh
	0//gammal correction
	64//nlevels=64
	1）;
//创建训练测试HOG特征，并将计算结果保存至
void CreateTrainTestHOG（vector > &trainHOG vector &deskewedtrainCells） {
	//train hog大小为num*hogsize

	for （int y = 0; y		vector descriptors;
		hog.compute（deskewedtrainCells[y] descriptors Size（2 2） Size（0 0））;
		trainHOG.push_back（descriptors）;
	}

	
}

void ConvertVectortoMatrix（vector > &trainHOG  Mat &trainMat）
{

	int descriptor_size = trainHOG[0].size（）;//第一个样本的特征大小

	for （int i = 0; i		for （int j = 0; jriptor_size; j++） {
			trainMat.at（i j） = trainHOG[i][j];
		}
	}
	
	
}

void getSVMParams（SVM *svm）
{
	cout << “Kernel type     : “ << svm->getKernelType（） << endl;
	cout << “Type            : “ << svm->getType（） << endl;
	cout << “C               : “ << svm->getC（） << endl;
	cout << “Degree          : “ << svm->getDegree（） << endl;
	cout << “Nu              : “ << svm->getNu（） << endl;
	cout << “Gamma           : “ << svm->getGamma（） << endl;
}

void SVMtrain（M

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件      721129  2017-01-30 07:04  digits.png
     文件        5031  2018-04-30 19:05  main.cpp
     文件     1783266  2018-04-30 17:10  model4.yml