问题内容：路面箭头检测与识别（该部分主要介绍基于SVM的分类，也就是识别，检测问题暂不谈）
问题背景：路面箭头识别在无人车中有着重要的作用：
1.车道线等重要信息的检测，需要排除路面箭头的干扰；
2.需要根据路面箭头的指示，完成下一步动作
问题描述：为了简化这个问题，重点描述基于OpenCV的SVM路面箭头分类，我们将预先检测到的待分类 路面箭头给出如下，样本均从俯视图（逆透视）中检测获得：
图片1-11中包括：1-3、10为虚线的误检、4-5为直右箭头、6-9为误检、11为倒着的直左箭头
问题难点（本文中未解决）：为何找到一个合适的特征，来解决箭头的旋转不变、尺度不变问题
作者在有限的时间中尝试过Hu矩特征、SIFT特征，效果都不是很理想，具体情况表现为：
Hu矩特征：虽然有旋转不变特性，但是将信息压缩太严重，最后得到的仅是一个七维特征，放入SVM中训练效果很差；
SIFT特征：其也具有尺度和旋转不变性，且对光照不均等现象具有抑制作用，但是作者尝试发现，样本和测试集的特征点检测较少，无法聚类得到定长的特征算子，故无法进行SVM分类
本文采用方法：考虑到路面箭头的形式、形状甚至大小比较单一，仅仅是位置、角度不同，故可以放入较多的模板来反映同一标志不同角度的形态特征，最后将整图信息压缩到固定大小作为特征算子输入SVM中，仍可以取得不错的效果。
样本准备:
不同样式、相同样式不同角度以及负样本，本文采用374个样本。
代码操作：
首先在工程的路径下放入样本集以及测试集，如下图所示sample和test文件夹
上代码：
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
#include <opencv2\opencv.hpp>
#include "opencv2/core/core.hpp"
#include "highgui.h"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/nonfree/nonfree.hpp"
#include <iostream>
#include <time.h>
#include "MomentFeature.h"
#include <iostream>
#include <fstream>
#include <iterator>
#include <vector>
using namespace cv;
using namespace std;
#define trainnum 374//374
#define ARRAY_SIZE(a) (sizeof(a)/sizeof(a[0]))
/*
//标签值,角度未合并
float label[trainnum] =
{
1,1,1,1,1,1,1,1,1,1,
2,2,2,2,2,2,2,2,2,2,
3,3,3,3,3,3,3,3,3,3,
4,4,4,4,4,4,4,4,4,4,
5,5,5,5,5,5,5,5,5,5,
6,6,6,6,6,6,6,6,6,6,
7,7,7,7,7,7,7,7,7,7,
8,8,8,8,8,8,8,8,8,8,
9,9,9,9,9,9,9,9,9,9,
10,10,10,10,10,10,10,10,10,10,
11,11,11,11,11,11,11,11,11,11,
12,12,12,12,12,12,12,12,12,12,
13,13,13,13,13,13,13,13,13,13,
14,14,14,14,14,14,14,14,14,14,
15,15,15,15,15,15,15,15,15,15,
16,16,16,16,16,16,16,16,16,16,
17,17,17,17,17,17,17,17,17,17,
18,18,18,18,18,18,18,18,18,18,
1,1,1,1,1,1,1,1,1,1,
9,9,9,9,9,9,9,9,9,9,
4,4,4,4,4,4,4,4,4,4,
6,6,6,6,6,6,6,6,6,6,
8,8,8,8,8,8,8,8,8,8,
3,3,3,3,3,3,3,3,3,3,
6,6,6,6,6,6,6,6,6,6,
6,6,6,6,6,6,6,6,6,6,
11,11,11,11,11,11,11,11,11,11,
16,16,16,16,16,16,16,16,16,16,
12,12,12,12,12,12,12,12,12,12,
12,12,12,12,12,12,12,12,12,12,
3,3,3,3,3,3,3,3,3,3,
3,3,3,3,3,3,3,3,3,3,
19,19,19,19,19,19,19,19,19,19,
19,19,19,19,19,19,19,19,19,19,
19,19,19,19,19,19,19,19,19,19,
8,8,8,8,8,8,8,8,8,8,
8,8,8,8,8,8,8,8,8,8,
10,10,10,10
};
*/
//标签值,角度合并了！
float label[trainnum] =
{
1,1,1,1,1,1,1,1,1,1,
2,2,2,2,2,2,2,2,2,2,
3,3,3,3,3,3,3,3,3,3,
1,1,1,1,1,1,1,1,1,1,
5,5,5,5,5,5,5,5,5,5,
5,5,5,5,5,5,5,5,5,5,
5,5,5,5,5,5,5,5,5,5,
8,8,8,8,8,8,8,8,8,8,
9,9,9,9,9,9,9,9,9,9,
10,10,10,10,10,10,10,10,10,10,
1,1,1,1,1,1,1,1,1,1,
3,3,3,3,3,3,3,3,3,3,
5,5,5,5,5,5,5,5,5,5,
14,14,14,14,14,14,14,14,14,14,
15,15,15,15,15,15,15,15,15,15,
2,2,2,2,2,2,2,2,2,2,
17,17,17,17,17,17,17,17,17,17,
18,18,18,18,18,18,18,18,18,18,
1,1,1,1,1,1,1,1,1,1,
9,9,9,9,9,9,9,9,9,9,
1,1,1,1,1,1,1,1,1,1,
5,5,5,5,5,5,5,5,5,5,
8,8,8,8,8,8,8,8,8,8,
3,3,3,3,3,3,3,3,3,3,
5,5,5,5,5,5,5,5,5,5,
5,5,5,5,5,5,5,5,5,5,
1,1,1,1,1,1,1,1,1,1,
2,2,2,2,2,2,2,2,2,2,
3,3,3,3,3,3,3,3,3,3,
3,3,3,3,3,3,3,3,3,3,
3,3,3,3,3,3,3,3,3,3,
3,3,3,3,3,3,3,3,3,3,
17,17,17,17,17,17,17,17,17,17,
17,17,17,17,17,17,17,17,17,17,
17,17,17,17,17,17,17,17,17,17,
8,8,8,8,8,8,8,8,8,8,
8,8,8,8,8,8,8,8,8,8,
10,10,10,10
};
string labelname[500] = {"左1",//1,4,11
"右1",//2,16
"直右",//3,12
"左2",//4
"直1",//5,6,7,13
"直2",//6
"直3",//7
"虚线",//8
"斑马线1",//9
"斑马线2",//10
"倒左",//11
"倒直右",//12
"倒直",//13
"误检",//14
"误检2",//15
"倒右",//16
"倒直左",//17
"误检3",//18
"直左"//19,17
};
/*----------------------------
* 功能 : 将 cv::Mat 数据写入到 .txt 文件
*----------------------------
* 函数 : WriteData
* 访问 : public
* 返回 : -1：打开文件失败；0：写入数据成功；1：矩阵为空
*
* 参数 : fileName [in] 文件名
* 参数 : matData [in] 矩阵数据
*/
int WriteData(string fileName, cv::Mat& matData)
{
int retVal = 0;
// 打开文件
ofstream outFile(fileName.c_str(), ios_base::out); //按新建或覆盖方式写入
if (!outFile.is_open())
{
cout << "打开文件失败" << endl;
retVal = -1;
return (retVal);
}
// 检查矩阵是否为空
if (matData.empty())
{
cout << "矩阵为空" << endl;
retVal = 1;
return (retVal);
}
// 写入数据
for (int r = 0; r < matData.rows; r++)
{
for (int c = 0; c < matData.cols; c++)
{
if(c != 0)
outFile << ",";
float data = matData.at<float>(r,c); //读取数据，at<type> - type 是矩阵元素的具体数据格式
outFile << data ; //每列数据用 tab 隔开
}
outFile << endl; //换行
}
return (retVal);
}
void floatscale(float* f,int num, int scale)
{
for(int i = 0; i < num; i++)
{
f[i]=f[i]*scale;
}
}
int main()
{
//读取sample中的样本
char filename[200];
Mat sample;
Mat train;
Mat Hu_train;
//读取图片数据，提取特征也在这里！
IplImage* ImageGray;
float feavec[48];
for(int i = 0; i < trainnum; i++)
{
sprintf(filename,"sample/%d.jpg",1+i);
//*************把图片信息直接放入************
sample = imread(filename,-1);
resize(sample,sample,Size(10,70));
sample = sample.reshape(0,1);
sample.convertTo(sample, CV_32F);
train.push_back(sample);
//*******************************************
//********zernike特征***********
//ImageGray = cvLoadImage(filename,0);
//MomentFeature MF;
//MF.SetXStep(1);
//MF.SetYStep(3);
//MF.SetVecNum(3,9);
//////Hu[3] + Zernike[9]
//int FeatureLength = MF.GetFeatureLength();
//MF.GetMomentFeature(ImageGray,1,1,feavec);
//cout << FeatureLength << endl;
//Mat feature(1, 48, CV_32FC1, feavec);
//normalize(feature,feature,1.0,0.0,NORM_MINMAX);
//train.push_back(feature);
//cout << feavec[47] << endl;
//feavec为输出特征
//*******************************
//********Hu*********
//Canny(sample,sample,60,120);
//Moments mo; //矩变量
//double M[7];//Hu矩输出
//计算Hu矩
//mo=moments(sample);
//HuMoments(mo, M);
//cout << M[0] << " " << M[1] << " " << M[2] << " " << M[3] << " " << M[4] << " " << M[5] << " " << M[6] << " " << endl;
//Mat Hu(1, 7, CV_64F, M);
//train.push_back(Hu);
//*******************
//*******harris******
//Mat cornerStrength;
//cornerHarris(sample, cornerStrength, 2, 3, 0.01);
//Mat harrisCorner;
//threshold(cornerStrength, harrisCorner, 0.00001, 255, THRESH_BINARY);
//imshow("角点检测后的二值效果图", harrisCorner);
//waitKey();
//*******************
//*******SIFT********
//SIFT sift(10);
//vector<KeyPoint> key_points; //特征点
// descriptors为描述符，mascara为掩码矩阵
//Mat descriptors, mascara;
//Mat output_img; //输出图像矩阵
//sift(sample,mascara,key_points,descriptors); //执行SIFT运算
//cout << descriptors.cols << " " << descriptors.rows << " " <<(int)key_points.size() << endl;
//*******************
}
//Hu需要reshape以下
//resize(train,train,Size(7,20));
//特征写入txt
WriteData("feature_train.txt",train);
//导入标签值
Mat labels(trainnum, 1, CV_32FC1, label);
cout << train.cols << " " << train.rows << endl;
cout << labels.cols << " " << labels.rows << endl;
//*********************SVM训练部分***********************
//准备开始训练
CvSVM classifier;
CvSVMParams SVM_params;
SVM_params.kernel_type = CvSVM::LINEAR; //使用RBF分类非线性问题
SVM_params.svm_type = CvSVM::C_SVC;
SVM_params.degree = 0;
SVM_params.gamma = 0.01;
SVM_params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, FLT_EPSILON);
SVM_params.C = 1;
SVM_params.coef0 = 0;
SVM_params.nu = 0;
SVM_params.p = 0.005;
//classifier.train(train,labels ,Mat(),Mat(),SVM_params); //SVM训练
//使用调参
//对不用的参数step设为0
//CvParamGrid nuGrid = CvParamGrid(1,1,0.0);
//CvParamGrid coeffGrid = CvParamGrid(1,1,0.0);
//CvParamGrid degreeGrid = CvParamGrid(1,1,0.0);
classifier.train_auto(train,labels ,Mat(),Mat(),SVM_params,
10,
classifier.get_default_grid(CvSVM::C),
classifier.get_default_grid(CvSVM::GAMMA),
classifier.get_default_grid(CvSVM::P),
classifier.get_default_grid(CvSVM::NU),
classifier.get_default_grid(CvSVM::COEF),
classifier.get_default_grid(CvSVM::DEGREE)
);
classifier.save("model180.txt");
//******************************************************
//这里载入分类器，方便直接训练
//CvSVM classifier;
//classifier.load("model180.txt");
vector<Mat> testdata; //定义测试数据
Mat testmmat;
Mat test;
int testnum = 11;
for(int i = 0; i < testnum; i++)
{
sprintf(filename,"test/%d.jpg",i+1);
//*************直接把图片信息放入***********
test = imread(filename,-1);
resize(test,test,Size(10,70));
test = test.reshape(0,1);
test.convertTo(test, CV_32FC1);
testdata.push_back(test);
testmmat.push_back(test);
//******************************************
//********zernike特征***********************
//ImageGray = cvLoadImage(filename,0);
//MomentFeature MF;
//MF.SetXStep(1);
//MF.SetYStep(3);
//MF.SetVecNum(3,9);
//////Hu[3] + Zernike[9]
//int FeatureLength = MF.GetFeatureLength();
//MF.GetMomentFeature(ImageGray,1,1,feavec);
//cout << FeatureLength << endl;
//Mat feature(1, 48, CV_32FC1, feavec);
//normalize(feature,feature,1.0,0.0,NORM_MINMAX);
//testdata.push_back(feature);
//testmmat.push_back(feature);
//feavec为输出特征
//******************************************
//********Hu*******************
//Canny(test,test,60,120);
//Moments mo; //矩变量
//double M[7];//Hu矩输出
//计算Hu矩
//mo=moments(test);
//HuMoments(mo, M);
//cout << M[0] << " " << M[1] << " " << M[2] << " " << M[3] << " " << M[4] << " " << M[5] << " " << M[6] << " " << endl;
//Mat Hu(1, 7, CV_32FC1, M);
//testdata.push_back(Hu);
//*****************************
}
WriteData("feature_test.txt",testmmat);
char textInImage[200];
//使用训练好的分类器进行预测
for (int i = 0;i < testdata.size() ; ++i)
{
clock_t start = clock();
int result = (int)classifier.predict(testdata[i]);
std::cout<<"测试样本"<<i+1<<"的测试结果为："
<<result<< " " << labelname[result-1] << "\n";
clock_t end = clock();
double tt = static_cast<double>(end - start);
sprintf(textInImage, "elapsed time: %5.2f ms", tt);
cout << textInImage << endl;
}
getchar();
}
(以上程序注释部分大部分为特征算子的尝试，本文不作介绍，所以注释掉，但是留在这里，有兴趣的可以留言进行研究！同时，将提取的特征写入文件，方便进行其他测试！) 
相关推荐
基于OpenCV+YOLOv8检测人脸关键点+人脸质量评估-含C++和Python版本源码+模型权重，该项目是个人毕设项目，答辩评审分达到98分，代码都经过调试测试，确保可以运行！欢迎下载使用，可用于小白学习、进阶。该资源主要...
本案例为：Python3+OpenCV+数据人脸采集-人脸识别综合案例环境：Python3.9 OpenCV版本：4.8.1需要电脑有摄像头支持功能：1. 明星人脸采集2. 批量处理人脸数据3. 录入自己人脸4. 训练数据5. 使用训练结果数据6. 适配...
在OpenCV中，我们可以使用`cv2.ml.SVM_create()`创建SVM对象，然后通过设置参数来配置模型，如类型（C-SVM、ν-SVM等）、内核类型（线性、多项式、RBF等）、C值（惩罚系数）和γ值（RBF核的参数）。完成模型配置后，...
基于OpenCV+YOLOv8检测人脸关键点+人脸质量评估-含C++和Python版本项目源码+模型权重，该项目是个人毕设项目，答辩评审分达到98分，代码都经过调试测试，确保可以运行！欢迎下载使用，可用于小白学习、进阶。该资源...
在机器学习和计算机视觉项目中，OpenCV和OpenCV_contrib的结合使用能帮助开发者实现诸如图像分类、目标检测、图像分割、人脸识别、全景图拼接、光学字符识别（OCR）等一系列复杂的任务。由于其丰富的功能和跨平台的...
opencv-4.1.1+opencv_contrib-4.1.1+cmake-3.14.5-win64-x64 OpenCV 给第三方编译用的整套环境。 OpenCV源码 + Contrib源码 + CMake 工具。
Qt+openCV学习笔记（十三）openCV4.5.5+android-ndk-r22-windows-x86_64编译的armeabi-v7a动态库 https://blog.csdn.net/aggs1990/article/details/124526728 CSDN审核可能较慢，如无法下载，可以过段时间再回来看...
总的来说，这个项目涵盖了计算机视觉和机器学习的基础应用，通过OpenCV和SVM为不同类型的图像构建分类器。对于初学者来说，这是一个很好的实践项目，可以深入理解图像处理、特征提取和机器学习模型训练的过程。而...
openCV4.6.0+android-ndk-r22-windows-x86_64编译动、静态库(armeabi-v7a) CSDN审核可能较慢，如无法下载，可以过段时间再回来看下 仅供相关爱好者交流使用，请于下载24小时内删除
毕业设计-人脸识别打卡系统-qt + opencv + mysql:sqlite-可执行内含文档代码-可执行内含文档代码.zip
【Python OpenCV+SVM车牌识别系统详解】 在现代信息技术中，车牌识别（License Plate Recognition，LPR）是一项关键的技术，广泛应用于智能交通、停车场管理等领域。本系统利用Python编程语言结合OpenCV计算机视觉...
OpenCV-MinGW-Build-OpenCV-4.5.0-with-contrib
在“opencv+svm实现图像分类代码+训练图.rar”这个项目中，我们可以期待以下几个关键知识点： 1. **图像预处理**：首先，OpenCV可能会被用来对图像进行预处理，包括灰度化、直方图均衡化、尺寸缩放等，以便于后续的...
OpenCV 4.5.0是该库的一个版本，包含了丰富的功能和优化，适用于各种计算机视觉应用，如图像识别、物体检测、人脸识别、视频分析等。贡献模块（contrib）是OpenCV中的额外模块，包含了更多实验性和前沿的算法，例如...
opencv_python-4.1.2+contrib-cp35-cp35m-win_amd64 python 包 opencv_python-4.1.2+contrib-cp35-cp35m-win_amd64 python 包 opencv_python-4.1.2+contrib-cp35-cp35m-win_amd64 python 包 opencv_python-4.1.2+...
OpenCV（开源计算机视觉库）是一个强大的跨平台计算机视觉库，它包含了大量的图像处理和计算机视觉算法，广泛应用于机器学习、图像识别、自动驾驶等领域。在本压缩包“OpenCV-MinGW-Build-OpenCV-4.5.2-x64.zip”中...
opencv 3.1.0 64位DLL链接库opencv-3.1.0-windows-x86_64.jar 和 ffmpeg 3.1.2的64位DLL链接库ffmpeg-3.1.2-windows-x86_64.jar。亲测可用。资源难得，希望对大家有帮助。
VS2019编译的opencv-4.2.0+contrib-4.2.0，支持CUDA，DNN功能。GPU显卡的Compute Capability需>=5.3 编译所用的工具及环境： Cmake-3.17.5 VS2019 opencv-4.2.0 opencv-contrib-4.2.0 cuda-10.1 cudnn-7.6.2 tbb...
赠送jar包：opencv-4.5.5-1.5.7.jar； 赠送原API文档：opencv-4.5.5-1.5.7-javadoc.jar； 赠送源代码：opencv-4.5.5-1.5.7-sources.jar； 赠送Maven依赖信息文件：opencv-4.5.5-1.5.7.pom； 包含翻译后的API文档：...