OpenCV+SVM简单应用-------路面箭头分类

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,
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值