使用C#和OpenCvSharp训练SVM图像分类器：多目标检测与标注实战

1次阅读

没有评论

共计 2494 个字符，预计需要花费 7 分钟才能阅读完成。

在传统图像处理中，我们通常依赖边缘检测、模板匹配等方法来实现目标识别。这些方法虽然直观，但在实际应用中存在几个明显问题：

对光照变化敏感，同一物体在不同光线条件下识别效果差异大
难以处理复杂背景干扰
需要针对每个目标编写特定规则，扩展性差
无法有效区分相似但不同的物体类别

这些局限性促使我们转向机器学习方法，特别是支持向量机 (SVM) 这种在小样本情况下仍能保持良好分类性能的算法。

在图像分类任务中，常见算法包括：

SVM（支持向量机）
优点：小样本表现优异、泛化能力强、可处理高维特征
缺点：核函数选择影响大、大规模数据训练慢
CNN（卷积神经网络）
优点：自动特征提取、端到端训练
缺点：需要大量标注数据、训练成本高
随机森林
优点：训练速度快、不易过拟合
缺点：特征重要性依赖性强

对于资源有限且需要快速上线的项目，SVM 配合手工特征提取是一个不错的平衡选择。

首先确保安装：

Visual Studio（建议 2019 或更高）
OpenCvSharp4（通过 NuGet 安装）
OpenCvSharp4.runtime.win（对应平台运行时）

典型流程：

收集正负样本图像
统一调整为相同尺寸（如 64×64）
灰度化处理（可选）
划分训练集和测试集

建议将数据集组织为：

dataset/
├── positive/
│   ├── img1.jpg
│   └── ...
└── negative/
    ├── img1.jpg
    └── ...

常用 HOG（方向梯度直方图）特征：

// 创建 HOG 描述符
var hog = new HOGDescriptor(new Size(64, 64), // 检测窗口大小
    new Size(16, 16), // 块大小
    new Size(8, 8),   // 块步长
    new Size(8, 8),   // 单元大小
    9);               // 直方图 bin 数

// 计算单个图像特征
Mat image = Cv2.ImRead("sample.jpg", ImreadModes.Grayscale);
Mat descriptor = new Mat();
hog.Compute(image, descriptor);

完整训练流程：

// 1. 初始化 SVM
var svm = SVM.Create();
svm.Type = SVM.Types.CSvc;
svm.KernelType = SVM.KernelTypes.Rbf;

// 2. 准备训练数据
var trainingData = new Mat();
var labels = new Mat();

// 3. 加载并处理所有样本
foreach (var file in Directory.GetFiles("positive"))
{var img = Cv2.ImRead(file, ImreadModes.Grayscale);
    var descriptor = hog.Compute(img);
    trainingData.PushBack(descriptor.Reshape(1,1));
    labels.PushBack(1); // 正样本标签为 1
}

// 4. 训练模型
var trainData = TrainData.Create(trainingData, SampleTypes.RowSample, labels);
svm.TrainAuto(trainData);

// 5. 保存模型
svm.Save("svm_model.xml");

使用滑动窗口检测图像中多个目标：

Mat testImage = Cv2.ImRead("test.jpg");
List<Rect> detections = new List<Rect>();

// 多尺度检测
for (double scale = 1.0; scale < 3.0; scale *= 1.2)
{Mat resized = new Mat();
    Cv2.Resize(testImage, resized, Size.Zero, scale, scale);

    // 滑动窗口
    for (int y = 0; y < resized.Rows - 64; y += 8)
    {for (int x = 0; x < resized.Cols - 64; x += 8)
        {Rect window = new Rect(x, y, 64, 64);
            Mat roi = resized[window];

            // 提取特征并预测
            var descriptor = hog.Compute(roi);
            float prediction = svm.Predict(descriptor.Reshape(1,1));

            if (prediction == 1) // 正样本
            {
                // 调整坐标到原图尺寸
                detections.Add(new Rect((int)(x/scale), (int)(y/scale),
                    (int)(64/scale), (int)(64/scale)));
            }
        }
    }
}

// 非极大值抑制消除重复检测
Cv2.GroupRectangles(detections, 1, 0.2);

// 绘制检测框
foreach (var rect in detections)
{Cv2.Rectangle(testImage, rect, Scalar.Red, 2);
}

提升模型效果的几个关键点：