文件編號：A358

文件大?。?/strong>6.7M

開發(fā)環(huán)境：Python3.9、OpenCV4.5、PyCharm2020

猿創(chuàng)承諾：該項目親測正常運行，提供部署視頻，需遠程調(diào)試部署需另外收費，確保正常使用，不能正常使用全額退款。

簡要概述：hog_svm.py是用于訓練的，通過提取圖片的hog特征，然后通過SVM進行訓練得到model，最后通過model進行預測,將結(jié)果寫入result.txt文件之中。

注意事項：

1.你的圖片長寬可以不相等，設置好image_height和image_width即可。

如果圖片大小不相等，可以使用change_size.py，把所有圖片大小resize成一樣的。

2.你圖片對應的標簽必須是這樣的：

001.jpg 1

003.jpg 2

前面是圖片名稱，后面是對應的類別（類別用數(shù)字表示），中間要用空格隔開，每個標簽占一行。

你要準備兩個文件，一個是訓練用的，一個是測試用的。

訓練樣本標簽和預測的都是一樣的格式

大家可以看實例.(image文件夾)

3.你的訓練和測試的圖片可以放在同一個文件夾下面，也可以不同，設置好train_image_path和test_image_path即可。

4.你要根據(jù)你圖片的大小，對這行代碼進行一些調(diào)整，這個調(diào)整需要你先了解hog的知識：

fd = hog(gray, orientations=18, pixels_per_cell=[8,8], cells_per_block=[4,4], visualise=False, transform_sqrt=True)

這是我為128x128大小圖片設置的提取hog特征的參數(shù)，你需要適當改變一些，到時候的效果也不同。

orientations我是選9或18，即梯度方向的個數(shù)

一般來說，圖片越大，pixels_per_cell 和cells_per_block里面的值可以相應變大。

5.如果你要進行多次，建議你把文件位置的參數(shù)寫死

#訓練集圖片的位置

train_image_path = '/home/icelee/Downloads/dataset/small_shixun/'

#測試集圖片的位置

test_image_path = '/home/icelee/Downloads/dataset/small_shixun/'

#訓練集標簽的位置

train_label_path = '/home/icelee/Downloads/dataset/mydata.txt'

#測試集標簽的位置

test_label_path = '/home/icelee/Downloads/dataset/test.txt'

#圖片大小

image_height = 128

image_width = 128

6.你需要安裝sk-learn庫，hog，PIL庫等?？赡苓€有一些零碎的庫，大家用pip安裝就好。

7.實驗都是彩色圖片，如果你的圖片是純黑白的，很有可能需要改一下代碼，看一下代碼注釋即可

采用這個測試cifar-10,準確率有50%多一點點（亂猜的準確率是10%），所以效果還是可以的，雖然比不上深度學習。

按需寫作：

演示視頻：

點擊查看：系統(tǒng)演示視頻

運行效果：

可能出現(xiàn)的錯誤

ValueError: Expected 2D array, got 1D array instead: array=[]. Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.

出現(xiàn)上面的錯誤說明沒有正常讀取到圖片，所以請檢查圖片寬高是不是和設置的size一樣，路徑是否正確。更改之后運行程序時，請選擇重新獲取特征。

遠程協(xié)助：

溫馨提示：索煒達.猿創(chuàng)官方提供收費遠程協(xié)助，確保您項目運行成功。

點擊查看：遠程協(xié)助相關(guān)事項

我們提供完整項目文件清單如下：

文件目錄

 ├ 1.項目源碼

 ├ 2.運行截圖

 └ 3.演示視頻