SVM+hog特征實現手勢識別

上一篇寫到了SVM, 自己也花了大量的時間去看了原理。。。但總覺得沒有示例的話還是有點虛。同時也一直想要做一個手勢分類的項目玩。那趁自己還沒有忘記，趕緊把項目給搞了，順帶鞏固一下知識。使用MATLAB實現。

前提知識：

需要了解：

hog特征：https://blog.csdn.net/yuanjiteng/article/details/99608311

SVM分類的基本原理：https://blog.csdn.net/yuanjiteng/article/details/99413090

MATLAB使用到的函數解析：

1. imageDatastore

imageDatastore：imds = imageDatastore('./images', 'IncludeSubfolders', true, 'labelsource', 'foldernames')

創建一個圖像數據儲存體以處理圖像集

其中第一個屬性可以是文件名，可以是圖片文件夾路徑,可以是所有文件

第二個參數：‘IncludeSubfolders’ 是否包括子文件夾 、true/false 子文件夾遞歸/不遞歸（recusively）

參數：FileExtensions’,EXTENSIONS 要包括的文件的擴展名，比如“.png”,".jpg"

參數：‘ReadSize’,READSIZE 調用讀取函數時要讀取的圖像文件數。默認情況下，讀取大小為 1。

參數：‘LabelSource’,SOURCE LABELS 指定標簽來源，默認是無，是’foldernames’就是文件夾名稱做標簽

參數：‘Labels’ LABELS 指定數據存儲標簽,LABELS是一數組或向量。

imd屬性：Files ReadSize ReadFcn Lables

可以對imd執行的操作函數：

? read - 讀取下一個連續文件
? reset - 將數據存儲重置為數據的開頭
? preview - 從數據存儲讀取第一個圖像
? readimage - 從數據存儲讀取指定圖像
? readall - 從數據存儲讀取所有圖像文件
? partition - 返回表示單個 原始數據存儲的分區部分
? numpartitions - 返回合理數量的估計值分區與分區函數一起使用，
? countEachLable - 計數圖像數據存儲中的唯一標簽的數量

有一個很重要的 [imds1,imds2] = splitEachLabel(imds, p); p為小數代表百分比，p為整數代表從該整數分

extractHogFeatures

提取hog特征 使用方法 其中獲得的features就是hog特征矩陣：

features = extractHOGFeatures(I)

[features, validPoints] = extractHOGFeatures(I, points)

%這個用法了解不多，對特殊的點求特征值

[..., visualization] = extractHOGFeatures(I, ...)

%一般而言使用這個，optionally returns a HOG feature visualization that can be shown using plot(visualization)

[...] = extractHOGFeatures(..., Name, Value)

其中可以設置參數和值：

CellSize 默認是[8,8]

BlockSize 默認是[2,2]

BlockOverlap 默認 ceil(BlockSize/2)

‘NumBins’ 默認9

‘UseSignedOrientation’ 默認false 代表0-180°，true就是-180-180°

使用案例：

I1 = imread('gantrycrane.png'); [hog1, visualization] = extractHOGFeatures(I1,'CellSize',[32 32]); subplot(1,2,1); imshow(I1); subplot(1,2,2); plot(visualization);

fitcecoc 這個是MATLAB自帶的分類函數 用libsvm的自己了解

用法：OBJ=FITCECOC(TBL,Y) TBL就是數據集向量 Y是標簽 返回object 1v1方法

關于MATLAB其他多分類可以參考：https://cloud.tencent.com/info/b061682362bea1b7040237c09413d437.html

分類matlab代碼

clear;clc imdsTrain= imageDatastore('./trainimages', 'IncludeSubfolders', true, 'labelsource', 'foldernames'); %這里選擇自己的文件夾路徑，我的是文件夾trainimages里面含有left right 等圖片文件夾 imdsTest = imageDatastore('./Test1'); %測試文件夾路徑 Train_disp = countEachLabel(imdsTrain);imageSize = [256,256];% 對所有圖像進行此尺寸的縮放 image1 = readimage(imdsTrain,1); scaleImage = imresize(image1,imageSize); [features, visualization] = extractHOGFeatures(scaleImage);%獲取feature的大小numImages = length(imdsTrain.Files)%獲取訓練圖片數 featuresTrain = zeros(numImages,size(features,2),'single'); %構造矩陣for i = 1:numImages imageTrain = readimage(imdsTrain,i); imageTrain = imresize(imageTrain,imageSize); featuresTrain(i,:) = extractHOGFeatures(imageTrain); end %獲取所有features 存儲在featuresTrain中 trainLabels = imdsTrain.Labels; %訓練標簽 %開始訓練并驗證 classifer = fitcecoc(featuresTrain,trainLabels); cvecoc = crossval(classifer); oosLoss=kfoldLoss(cvecoc); %%預測 numTest = length(imdsTest.Files);for i=1:numTest testImage = readimage(imdsTest,i); scaleTestImage = imresize(testImage,imageSize); featureTest = extractHOGFeatures(scaleTestImage); [predictIndex,score] = predict(classifer,featureTest); figure; imshow(testImage); title(['predictImage: ',char(predictIndex)]); end

運行結果

oosLoss=0.0806 分類結果還行，可以接受。

如果想要進一步把訓練的

MATLAB的.mat文件 轉換為.yml文件，從而可以在opencv打開，參考下面：

：https://www.jianshu.com/p/ad6a2f8a3fc8

總結

視覺圖像領域的函數使用起來總是非常的復雜，其中fitcecoc函數可以實現的功能很多，想要徹底了解其用法還是去MATLAB打開文件慢慢看吧。我這只是拿來練習一下svm的使用。

實現了圖片分類之后，下一步就應該是實現視頻的實時讀取和預測，其中又涉及到滑窗建立然后概率判斷問題，再有就是GPU的使用提高效率，具體就參看hog行人檢測代碼。實時手勢識別使用openpose在opencv實現或者yolo都是不錯的選擇。

總結

以上是生活随笔為你收集整理的# 支持向量机+hog特征实现手势识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。