如何正确使用BoW训练OpenCV支持向量机

我无法训练SVM来识别我的对象。我正在尝试使用SURF+文字包+SVM来实现这一点。我的问题是分类器没有检测到任何东西。所有结果均为0

这是我的密码：

Ptr<FeatureDetector> detector = FeatureDetector::create("SURF");
Ptr<DescriptorExtractor> descriptors = DescriptorExtractor::create("SURF");

string to_string(const int val) {
    int i = val;
    std::string s;
    std::stringstream out;
    out << i;
    s = out.str();
    return s;
}

Mat compute_features(Mat image) {
    vector<KeyPoint> keypoints;
    Mat features;

    detector->detect(image, keypoints);
    KeyPointsFilter::retainBest(keypoints, 1500);
    descriptors->compute(image, keypoints, features);

    return features;
}

BOWKMeansTrainer addFeaturesToBOWKMeansTrainer(String dir, BOWKMeansTrainer& bowTrainer) {
    DIR *dp;
    struct dirent *dirp;
    struct stat filestat;

    dp = opendir(dir.c_str());


    Mat features;
    Mat img;

    string filepath;
    #pragma loop(hint_parallel(4))
    for (; (dirp = readdir(dp));) {
        filepath = dir + dirp->d_name;

        cout << "Reading... " << filepath << endl;

        if (stat( filepath.c_str(), &filestat )) continue;
        if (S_ISDIR( filestat.st_mode ))         continue;

        img = imread(filepath, 0);

        features = compute_features(img);
        bowTrainer.add(features);
    }


    return bowTrainer;
}

void computeFeaturesWithBow(string dir, Mat& trainingData, Mat& labels, BOWImgDescriptorExtractor& bowDE, int label) {
    DIR *dp;
    struct dirent *dirp;
    struct stat filestat;

    dp = opendir(dir.c_str());

    vector<KeyPoint> keypoints;
    Mat features;
    Mat img;

    string filepath;

    #pragma loop(hint_parallel(4))
    for (;(dirp = readdir(dp));) {
        filepath = dir + dirp->d_name;

        cout << "Reading: " << filepath << endl;

        if (stat( filepath.c_str(), &filestat )) continue;
        if (S_ISDIR( filestat.st_mode ))         continue;

        img = imread(filepath, 0);

        detector->detect(img, keypoints);
        bowDE.compute(img, keypoints, features);

        trainingData.push_back(features);
        labels.push_back((float) label);
    }

    cout << string( 100, '\n' );
}

int main() {
    initModule_nonfree();

    Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("FlannBased");

    TermCriteria tc(CV_TERMCRIT_ITER + CV_TERMCRIT_EPS, 10, 0.001);
    int dictionarySize = 1000;
    int retries = 1;
    int flags = KMEANS_PP_CENTERS;
    BOWKMeansTrainer bowTrainer(dictionarySize, tc, retries, flags);
    BOWImgDescriptorExtractor bowDE(descriptors, matcher);

    string dir = "./positive_large", filepath;
    DIR *dp;
    struct dirent *dirp;
    struct stat filestat;

    cout << "Add Features to KMeans" << endl;
    addFeaturesToBOWKMeansTrainer("./positive_large/", bowTrainer);
    addFeaturesToBOWKMeansTrainer("./negative_large/", bowTrainer);

    cout << endl << "Clustering..." << endl;

    Mat dictionary = bowTrainer.cluster();
    bowDE.setVocabulary(dictionary);

    Mat labels(0, 1, CV_32FC1);
    Mat trainingData(0, dictionarySize, CV_32FC1);


    cout << endl << "Extract bow features" << endl;

    computeFeaturesWithBow("./positive_large/", trainingData, labels, bowDE, 1);
    computeFeaturesWithBow("./negative_large/", trainingData, labels, bowDE, 0);

    CvSVMParams params;
    params.kernel_type=CvSVM::RBF;
    params.svm_type=CvSVM::C_SVC;
    params.gamma=0.50625000000000009;
    params.C=312.50000000000000;
    params.term_crit=cvTermCriteria(CV_TERMCRIT_ITER,100,0.000001);
    CvSVM svm;

    cout << endl << "Begin training" << endl;

    bool res=svm.train(trainingData,labels,cv::Mat(),cv::Mat(),params);

    svm.save("classifier.xml");

    //CvSVM svm;
    svm.load("classifier.xml");

    VideoCapture cap(0); // open the default camera

    if(!cap.isOpened())  // check if we succeeded
        return -1;

    Mat featuresFromCam, grey;
    vector<KeyPoint> cameraKeyPoints;
    namedWindow("edges",1);
    for(;;)
    {
        Mat frame;
        cap >> frame; // get a new frame from camera
        cvtColor(frame, grey, CV_BGR2GRAY);
        detector->detect(grey, cameraKeyPoints);
        bowDE.compute(grey, cameraKeyPoints, featuresFromCam);

        cout << svm.predict(featuresFromCam) << endl;
        imshow("edges", frame);
        if(waitKey(30) >= 0) break;
    }   

        return 0;
}

Ptr-detector=FeatureDetector:：create（“SURF”）；
Ptr描述符=描述符牵引器：：创建（“SURF”）；
字符串到_字符串（常量int val）{
int i=val；
std：：字符串s；
std:：stringout；
外检测（图像、关键点）；
KeyPointsFilter:：retainBest（keypoints，1500）；
描述符->计算（图像、关键点、特征）；
返回特性；
}
BowKMeanFilter为BowKMeanFilter添加功能（管柱方向、BowKMeanFilter和bowTrainer）{
DIR*dp；
结构方向*dirp；
struct stat filestat；
dp=opendir（dir.c_str（））；
垫特征；
Mat-img；
字符串文件路径；
#pragma循环（提示_并行（4））
对于（；（dirp=readdir（dp））；）{
filepath=dir+dirp->d_name；
cout首先，使用现有项目中的相同参数并不能证明您使用的参数是正确的。事实上，在我看来，这是一种完全没有意义的方法（无意冒犯）这是因为，SVM参数直接受到数据集和描述符提取方法的影响。为了获得正确的参数，您必须进行交叉验证。因此，如果这些参数是从不同的识别任务中获得的，则没有任何意义。例如，在我的人脸验证项目中，最佳参数为0.0625和10分别表示
gamma
和
C

你的方法的另一个重要问题是测试图像。据我从你的代码中看到的，你没有使用来自磁盘的图像来测试你的分类器，所以从这里的其余部分，我将做一些假设。如果你的测试图像，即你从相机获得的图像与你的正面图像不同，它将失败。我的意思是不同；你必须确保您的测试图像仅由方向盘组成，因为您的培训图像仅包含方向盘。如果您的测试图像包含（例如，带方向盘的汽车座椅），则测试图像的弓描述符将与您的火车图像弓描述符完全不同。因此，简单地说，您的测试图像不应包含方向盘对于其他一些对象，它们应仅包含方向盘

如果您满足这些要求，那么使用培训映像测试系统是最基本的方法。即使在这种情况下您失败了，您也可能会遇到一些植入问题。其他方法可以是：将培训数据拆分为两个，这样您就有四个分区：


正面列车图像
负片列车图像
阳性测试图像
阴性测试图像

仅使用训练映像来训练系统，并使用测试映像对其进行测试。同样，您必须通过交叉验证来指定参数

除此之外，在执行我之前所写的操作之前，您可能需要检查一些特定的步骤以定位问题：

每个图像检测到多少个关键点？相似的图像应导致相似数量的关键点
你知道弓形描述符是图像的冲浪描述符的直方图。确保相似的图像产生相似的直方图（弓形描述符）。最好通过可视化直方图来检查这一点
如果前一步得到满足，问题很可能是SVM训练步骤，这是一个非常重要的步骤（可能是最重要的步骤）
我希望我能够强调交叉验证的重要性。做交叉验证

祝你好运！
谢谢你的详细回答！！！我需要问你一些问题。假设我的方向盘主要是白色背景的方向盘。你是在告诉我如果我的测试图像有背景（车速表、座椅等）它不起作用？事实上我不是这个意思，但这也可能是原因。这取决于图像中除方向盘以外的描述符数量。我的意思是，如果你的测试图像是方向盘、狗和自行车（都在一张图像中），它不会起作用。我想说的是，它不仅是关于背景，它也是关于方向盘周围的其他部分。好的，让它足够清楚。这是一个好的测试图像吗：？不完美，它可能会起作用，但很可能会失败。因为，与I相比，SURF会在这张图像中找到更多的关键点白色背景的法师。所以，你的弓描述符会有所不同。试着用训练图像进行测试。这意味着SVM在实际情况下不会有用，因为方向盘的背景是速度表和其他东西？