C# OpenCvSharp实战：基于SVM的图像多目标检测与标注完整指南

1次阅读

共计 3214 个字符，预计需要花费 9 分钟才能阅读完成。

支持向量机（SVM）在图像分类任务中表现优异，尤其适合小样本、高维特征的场景。OpenCvSharp 作为 OpenCV 的.NET 封装，让 C# 开发者能便捷调用计算机视觉算法。这种组合特别适合需要快速落地、且对部署环境有.NET 要求的工业检测项目。

安装 Visual Studio 2019 或更高版本
通过 NuGet 安装以下包：

Install-Package OpenCvSharp4 -Version 4.5.5.20211231
Install-Package OpenCvSharp4.runtime.win -Version 4.5.5.20211231
Install-Package OpenCvSharp4.Extensions -Version 4.5.5.20211231

注意：OpenCvSharp4 需要与运行时包版本严格匹配
推荐使用.NET Core 3.1 或.NET 5+ 项目

// 使用 HOG 特征提取器
var hog = new HOGDescriptor(winSize: new Size(64, 128),    // 检测窗口尺寸
    blockSize: new Size(16, 16),   // 块大小
    blockStride: new Size(8, 8),   // 块滑动步长
    cellSize: new Size(8, 8),      // 细胞单元大小
    nbins: 9                       // 梯度方向分箱数
);

// 提取单张图片特征
Mat ComputeHogFeatures(Mat image)
{
    // 统一缩放至检测窗口大小
    Cv2.Resize(image, image, hog.WinSize);

    // 转为灰度图
    if (image.Channels() > 1)
        Cv2.CvtColor(image, image, ColorConversionCodes.BGR2GRAY);

    // 计算 HOG 特征
    return hog.Compute(image);
}

void TrainSVM(string posSamplesDir, string negSamplesDir)
{
    // 准备训练数据
    var features = new List<Mat>();
    var labels = new List<int>();

    // 加载正样本（包含目标的图片）foreach (var file in Directory.GetFiles(posSamplesDir, "*.jpg"))
    {using var img = Cv2.ImRead(file);
        features.Add(ComputeHogFeatures(img));
        labels.Add(1);  // 正样本标签为 1
    }

    // 加载负样本（背景图片）foreach (var file in Directory.GetFiles(negSamplesDir, "*.jpg"))
    {using var img = Cv2.ImRead(file);
        features.Add(ComputeHogFeatures(img));
        labels.Add(-1); // 负样本标签为 -1
    }

    // 转换为 OpenCV 训练格式
    using var trainData = TrainData.Create(features.Select(m => m.Reshape(1,1)).ToArray(), // 展平特征矩阵
        SampleTypes.RowSample,
        labels.ToArray());

    // 创建 SVM 模型
    using var svm = SVM.Create();
    svm.Type = SVM.Types.CSvc;
    svm.KernelType = SVM.KernelTypes.Rbf;

    // 自动训练（包含交叉验证）svm.TrainAuto(trainData, kFold: 5);

    // 保存模型
    svm.Save("object_detector.yml");
}

List<Rect> DetectObjects(Mat image, SVM svm, double threshold = 0.7)
{var detected = new List<Rect>();

    // 滑动窗口参数
    Size windowSize = hog.WinSize;
    int stepSize = 16; // 滑动步长

    // 多尺度检测
    foreach (double scale in new[] {1.0, 0.9, 0.8, 1.1, 1.2})
    {
        // 缩放图像
        var resized = new Mat();
        Cv2.Resize(image, resized, 
            Size.Zero, scale, scale, InterpolationFlags.Linear);

        // 滑动窗口检测
        for (int y = 0; y <= resized.Height - windowSize.Height; y += stepSize)
        {for (int x = 0; x <= resized.Width - windowSize.Width; x += stepSize)
            {var roi = new Rect(x, y, windowSize.Width, windowSize.Height);
                using var window = new Mat(resized, roi);

                // 提取特征并预测
                var feature = ComputeHogFeatures(window);
                var response = svm.Predict(feature);

                // 保留高置信度区域
                if (response > threshold)
                {
                    detected.Add(new Rect((int)(x / scale), 
                        (int)(y / scale),
                        (int)(windowSize.Width / scale),
                        (int)(windowSize.Height / scale)
                    ));
                }
            }
        }
    }

    // 非极大值抑制（NMS）Cv2.Dnn.NMSBoxes(
        detected, 
        Enumerable.Repeat(1f, detected.Count).ToArray(),
        (float)threshold, 
        0.4f, // NMS 重叠阈值
        out var indices);

    return indices.Select(i => detected[i]).ToList();}

Mat DrawDetections(Mat image, List<Rect> boxes)
{var result = image.Clone();

    foreach (var box in boxes)
    {
        // 绘制矩形框
        Cv2.Rectangle(result, box, Scalar.Red, 2);

        // 添加标签
        Cv2.PutText(result, 
            "Object", 
            new Point(box.X, box.Y - 5),
            HersheyFonts.HersheySimplex, 
            0.5, Scalar.Green, 1);
    }

    return result;
}