/svm_classification

svm_classification是一个通用的svm模型训练框架，稍加修改即可变成一个通用的机器学习模型训练框架。方便快速训练机器学习模型，可重复使用，避免重复写代码。

Primary LanguagePython

一、开发环境

python2.7+ or python3.6+
opencv2.4+ or opencv3+

二、项目介绍

这是一个通用的svm模型训练平台。
基于svm完成各种分类任务，比如数字识别、眨眼检测、美瞳检测、活体检测等。    	
可以通过feature_extractor模块自定义人工特征，比如lbp、hog、颜色纹理特征等。    
config模块用于配置人工特征类型、svm参数、数据路径等。

Todo: 基于当前框架，升级成通用的机器学习模型训练平台，加入常用的机器学习分类算法：ANN、Logistic Regression等。

三、训练步骤

（1）配置save_imagepath.train.sh和save_imagepath.test.sh的数据路径
  在config中生成imagepath list：
  $ sh save_imagepath.train.sh
  $ sh save_imagepath.test.sh

（2）修改config.json中的参数
  data
  svm
  train_label_listfile
  test_label_listfile

（3）模型训练
  $ python svm_train.py './config/blink_detect.48x32/config.json'
  或者运行run.sh脚本
  模型将保存在model目录下

四、示例一: 眨眼检测项目

（1）项目说明

  若在一段视频中检测到睁开的眼睛以及闭合的眼睛，则认为检测到眨眼动作。 问题可以转化为眼睛状态分类问题，即对睁开的眼睛与闭合的眼睛进行分类。 需要采集不同姿势不同光照情况下睁开的眼睛以及闭合的眼睛。示例项目的训练样本2000，测试样本1000。

open_eye: Image text

close_eye: Image text

（2）配置

{
 "description":
 {
  "version" : 1.0,
  "object label_listfile" : "label_listfile means label and listfile which includes imagepaths.",
  "object svm" : "svm config.",
  "class num limits" : "no"
 },
 "data":
 {
  "image_channel": 1,
  "feature_type": "hog_cv2.48x32"
 },
 "svm":
 {
  "model_name": "model/blink_detect.48x32.binary.xml",
  "kernel" : "linear",
  "autotrain": true,
  "binary_classify": true,
  "c": 2.67,
  "gamma": 5.383
 },
 "train_label_listfile":
 {
  "1":
  [
   "./config/blink_detect.48x32/train/class1.lst"
  ]
  "2":
  [
   "./config/blink_detect.48x32/train/class2.lst"
  ]
 },
 "test_label_listfile":
 {
  "1":
  [
   "./config/blink_detect.48x32/test/class1.lst"
  ],
  "2":
  [
   "./config/blink_detect.48x32/test/class2.lst"
  ]
 }
}

（3）训练与测试结果:

[train] load data ...
svm training...
data config: {'image_channel': 1, 'feature_type': 'hog_cv2.48x32'}
svm config: {'model_name': 'model/blink_detect.48x32.binary.xml', 'kernel': 'linear', 'autotrain': True, 'binary_classify': True, 'c': 2.67, 'gamma': 5.383}
train auto
data dims = 324
class_num = 2
labels = [1, 2]
total_count = [10, 10]
error_count = [0, 0]
accurate = [ 1. 1.]
total accurate = 1.0

[test] load data ...
svm testing...
model_name: model/blink_detect.48x32.binary.xml
data dims = 324
class_num = 2
labels = [1, 2]
total_count = [10, 10]
error_count = [0, 0]
accurate = [ 1. 1.]
total accurate = 1.0

五、示例二: 手写体数字识别项目

（1）项目说明

  使用mnist数据库的部分数据。示例项目的训练样本2400，测试样本2400。

Image text Image text Image text Image text Image text Image text Image text Image text Image text Image text

（2）训练与测试结果:

python3.6.1
opencv3.4.1
[train] load data ...
svm training...
data config: {'image_channel': 1, 'feature_type': 'hog_cv2.32x32'}
svm config: {'model_name': 'model/digits.32x32.svm_hog.xml', 'kernel': 'linear', 'autotrain': True, 'binary_classify': False, 'c': 2.67, 'gamma': 5.383}
train auto
data dims = 324
class_num = 10
labels = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
total_count = [250, 250, 250, 150, 250, 250, 250, 250, 250, 250]
error_count = [1, 2, 1, 4, 3, 2, 1, 2, 3, 4]
accurate = [ 0.99599999 0.99199998 0.99599999 0.97333336 0.98799998 0.99199998 0.99599999 0.99199998 0.98799998 0.98400003]
total accurate = 0.9904166460037231

[test] load data ...
svm testing...
model_name: model/digits.32x32.svm_hog.xml
data dims = 324
class_num = 10
labels = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
total_count = [250, 250, 250, 350, 250, 250, 250, 250, 250, 250]
error_count = [1, 5, 7, 16, 4, 1, 2, 10, 16, 6]
accurate = [ 0.99599999 0.98000002 0.972 0.95428574 0.98400003 0.99599999 0.99199998 0.95999998 0.93599999 0.97600001]
total accurate = 0.9738461375236511