ml_exp.cpp

/*
* ml_train.cpp
* SVM code adapted from code written by Toby Breckon, Cranfield University
* http://public.cranfield.ac.uk/c5354/teaching/ml/examples/c++/speech_ex/svm.cpp
*/
/*
#include <opencv/cv.h>  // OpenCV general include file
include <opencv/ml.h>  // OpenCV machine learning include file
#include <opencv/highgui.h>
#include <cv_bridge/CvBridge.h>

#include <stdio.h>
*/

#include <opencv/cv.h>
#include <opencv/highgui.h>
#include "hog_extractor.h"
#include "CLI.h"
#include <sstream>
#include "opencv2/opencv.hpp"
#include <opencv2/highgui/highgui.hpp>
#include <opencv/ml.h>
#include <math.h>
#include <iostream>
#include "fstream"

using namespace cv;
using namespace std;


int  train();



int main()
{

	//train(); 

	CLI userInterface;
	userInterface.startInteractiveCLI();

	//int res=div("100.bmp");
	//cout<<"检测结果为:"<<res<<endl;
	//int res = div("80.bmp");
	//int res = div();
	
	return 0;
}


/************************************************************************/
/* 训练函数                                                                     */
/************************************************************************/
/*

int train(){
vector<string> img_path;//输入文件名变量
vector<int> img_catg;
int nLine = 0;
string buf;
ifstream svm_data( "hb.txt" );//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 )//注：奇数行是图片全路径，偶数行是标签
{
img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，标志(0,1，2，...，9)，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; //nImgNum是样本数量，只有文本行数的一半，另一半是标签
data_mat = cvCreateMat( nImgNum, 324, CV_32FC1 );  //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;
IplImage* trainImg=cvCreateImage(cvSize(28,28),8,3);//需要分析的图片，这里默认设定图片是28*28大小，所以上面定义了324，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

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

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

cvResize(src,trainImg);
HOGDescriptor *hog=new HOGDescriptor(cvSize(28,28),cvSize(14,14),cvSize(7,7),cvSize(7,7),9);
vector<float>descriptors;//存放结果
hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算
cout<<"HOG dims: "<<descriptors.size()<<endl;
n=0;
for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
{
cvmSet(data_mat,i,n,*iter);//存储HOG特征
n++;
}
cvmSet( res_mat, i, 0, img_catg[i] );
cout<<" 处理完毕: "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
}


CvSVM* svm = new CvSVM;//新建一个SVM
CvSVMParams param;//这里是SVM训练相关参数
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->train( data_mat, res_mat, NULL, NULL, param );//训练数据
//保存训练好的分类器
svm->save( "HOG_SVM_DATA.xml" );

cvReleaseMat( &data_mat );
cvReleaseMat( &res_mat );
//cvReleaseImage(&test);
cvReleaseImage(&trainImg);
return 0;
}*/
/************************************************************************/
/* 识别函数                                                                     */
/************************************************************************/