OpenCV+SVM简单应用-------路面箭头分类

最新推荐文章于 2024-05-13 14:09:30 发布

原创

最新推荐文章于 2024-05-13 14:09:30 发布 · 2.1k 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #数据结构与算法 #python

本文介绍了使用OpenCV和SVM进行路面箭头分类的方法。针对路面箭头识别在无人车中的重要性，作者探讨了特征选择的挑战，如Hu矩特征和SIFT特征的局限性。最终，通过使用模板匹配和固定大小的特征算子，结合线性SVM实现了较好的分类效果。提供了374个样本进行训练，并展示了模型保存和加载的过程。这是一个简单的SVM分类框架，供后续实验参考。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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,