胡时刻和SVM不起作用

Question

在尝试使用SVM训练数据时，我遇到了一个问题。我从脸部图像中得到了一些不同的区域（一组连通像素），而且眼睛的区域非常相似，所以我想使用Hu时刻进行形状描述，使用SVM进行训练。但是SVM不能正常工作，方法svm.predict后来评估所有内容为非眼睛，而且标记并在训练阶段用作眼睛的相同区域被评估为非眼睛。特征数据仅包含7个Hu时刻。我稍后会在这里发布一些源代码示例，在此先感谢:)

---

附加信息：

输入图片：http://i.stack.imgur.com/GyLO0.png

为1张图片设置基本svm：

int image_regions = 10; 
Mat training_mat(image_regions ,7,CV_32FC1);  // 7 hu moments
Mat labels(image_regions ,1,CV_32FC1);  // for labels 1 (eye) and -1 (non eye)

 // computing hu moments
 Moments moments2=moments(croppedImage,false);
 double hu[7];
 HuMoments(moments2,hu);

 // putting them into svm traning mat
 for (int k=0;k<huCounter;k++)
 training_mat.at<float>(counter,k) = hu[k];   // counter is current number of region
 if (isEye(...))
 {
  labels.at<float>(counter,0)=1.0;
 }
 else
 {
   labels.at<float>(counter,0)=-1.0;
 }

 //I use the following:
    CvSVM svm;
    CvSVMParams params;
    params.svm_type    = CvSVM::C_SVC;
    params.kernel_type = CvSVM::LINEAR;
    params.term_crit   = cvTermCriteria(CV_TERMCRIT_ITER, 1000, 1e-6);
    // ... do the above mentioned phase, and then: 
    svm.train(training_mat, labels, Mat(), Mat(), params);

Answer 1

我希望以下建议可以帮助你......

1. 最简单的任务是使用聚类算法并尝试将数据聚类为两个类。如果像'k-means'这样的算法能够完成这项工作，那么为什么要使用SVM和神经网络使事情复杂化。我建议你使用这种技术，因为你的特征向量尺寸是一个非常小的尺寸（7胡时刻）以及你的样本数量。
2. 执行特征标准化（在第4点中指定）以确保值落在有限范围内。
3. 看看“您的数据是否真的可以分离？”由于您的数据很小，请从正图像中取一些样本，从负图像中取一些样本并绘制特征向量。如果您可以直观地看到差异，那么任何学习算法都可以为您完成工作。正如我之前所说，简单的技巧比复杂的数学更好。
4. 只有当您决定使用SVM时，您才应该知道以下内容： •正如我从您的代码中看到的那样，您使用的是线性SVM，您的数据可能是线性内核无法分离的。尝试使用一些多项式内核或其他内核。在openCV中有一个选项bool CvSVM :: train_auto只是看看。 •尝试检查您获得的特征向量值是否为正确值（确保它们不是某些垃圾值）。 •在将其用于训练之前，您还可以执行功能标准化“ZERO MEAN和UNIT VARIENCE”。 •最重要的是增加培训图像的数量，包括正面和负面标记。 •最后但并非最不重要的是SVM并不神奇，在一天结束时它只是在两组点之间画一条线。因此，不要指望它将您提供的任何内容归类为输入。
5. 如果没有任何作用“只是改进你的特征提取技术”