先挖个坑，快期末考试了，有空填上w
好了，今晚刚好有点闲，就把坑填上吧。
//-------------------------------开篇-------------------------------------------
首先讲一下，这篇随笔不是讲HOG特征是什么，怎么提取（这种图像特征网上一搜一大把），也不是讲BP神经网络工作原理，发展史啥的（机器学习小白，ANN深究我也不懂）。在这里我要讲的是，车标识别怎么code，怎么使用OpenCV自带的BP神经网络训练，以及识别。好了废话不多说，咱们开始吧。
//------------------------要准备的东西---------------------------------
正式讲代码前讲一下正式完成本工程需要什么准备工作。
1、配置Opencv 2.4.6及以上版本的VS 2010+，OpenCV 3可能改动的比较大，对本工程来说不建议。
2、一个车标库，尽量多一点，本工程共使用900来张车标样本，分为训练集（560张）和测试集（371张）
（工程迁移到我的Github仓库了）
//--------------------------正篇-----------------------------------------
准备好了以上的东西，我们就可以开始了。
我将结合代码分几步来讲怎么识别图像特征、喂给BP神经网络来识别车标，一步一步扩充代码
////第一步 建立工程
简单讲一下工程预处理吧，本工程就一个main.cpp文件，因此在建好工程后，建一个main.cpp就可以了。然后将我们的车标库test测试集和train训练集放在和整个工程同一目录下。
为了读取图片方便，我们使用两个txt文件trainpath、和testpath来保存每张图片的路径（路径文件在车标库里有，但是如果要使用这两个文件，就必须把他们放在main.cpp同一个目录下，同时，车标库也必须放在和工程同一目录下）
这是车标库和工程的存放位置关系
这是图片路径文件和main.cpp的关系
为main.cpp添加opencv的头文件，因为对OpenCV的结构不是特别熟，因此大家只要把万用的头文件一股脑写出来就行
1 #include <iostream> 2 #include <fstream> 3 #include <opencv.hpp> 4 #include <highgui.h> 5 #include <cxcore.h> 6 #include <cstring> 7 #include <ml.h> 8 #include <vector> 9 #include <iomanip>
本工程用了以上头文件。
哦对了，还有两个名字空间，写一下吧
1 using namespace std; 2 using namespace cv;
有些头文件就用了一两个函数啦，比如cstring就用到了个memset()23333，还有些OpenCV 1.x版本的头文件也挺多余的，不过还是都写上吧，免得报错了
////第二步 初始化工作
然后我们就开始带代码的编写工作了，我们按照main.cpp的代码顺序来讲。
我们先定义代码要用到的全局变量：
1 //----------------------------全局变量定义--------------------------------- 2 vector<float> descriptors; //HOG特征存放向量 3 float data[m_NUM][F_NUM]; //样本特征存放数组 4 float f[1][F_NUM]; //测试样本特征存放数组 5 float dataCls[m_NUM][CLASSNUM]; //样本所属类别 6 int mClass ; //训练样本所属类别 7 int dNum; //训练样本个数
其中有几个宏要在之前定义一下
1 #define F_NUM 1764 //7*7*9*4 车标特征维数 2 #define m_NUM 560 //训练样本个数 3 #define CLASSNUM 4 //车标种类
解释一下两段数据的设置
首先讲一下特征数目吧，HOG特征其实是一个1×N维的特征矩阵，N的确定由检测窗口大小、块大小、胞元大小决定。每个胞元9个bin。
本实验检测窗口定为64×64，就是整张图片的大小，块大小16×16，胞元8×8，步进8×8，这样一张图片就有(64/8-1)*(64/8-1)*9*（16*16）/(8*8)=1764维特征
那么560个样本就有560*1764个特征，就构成了特征矩阵data[560][1764]。
来看看OpenCV的神经网络训练函数
1 int CvANN_MLP::train(const Mat& inputs, const Mat& outputs, const Mat& sampleWeights, const Mat& sampleIdx=Mat(), CvANN_MLP_TrainParams params=CvANN_MLP_TrainParams(), int flags=0 );
这是我们之后要用到的关键函数，OpenCV自带的神经网络训练函数，我们依次来看下参数
第一个input是一个num×F_NUM的训练数据输入矩阵，num是样本个数，F_NUM是每个样本的特征数目，是不是刚好对应了我们的data矩阵。但是我们看到，data是浮点型数组，inputs是Mat阵，怎么统一呢？其实OpenCV在初始化Mat的时候，就可以使用一般的二维数组进行赋值，只要数据类型匹配，并且维度相等就行了，就像下面一样
1 Mat trainDate(m_NUM,F_NUM,CV_32FC1,data);
这里使用一个data的首地址初始化了trainData这个输入阵。
再来解释下dataCls为什么是560×4的。
继续看trian()函数的第二个参数，outputs，是一个num×CLASSNUM的数据阵，num是样本个数，CLASSNUM是样本的总类别数。
当然对于560个数据，每个数据都要有一个类别。CLASSNUM是4，那么这个阵具体是怎么样初始化的呢？
举个例子，0号样本属于第1类，那么dataCls[0]={1,0,0,0} 也就是说，对应的那一类初始化为1，其余的都是0。
我们同样使用上述的初始化数据阵的方法将dataCls的内容复制到trainLable中（注意，dataCls和data数组要严格对齐，就是说，x号样本的特征放在data[x]里，所属类别放在dataCls[x]里）
1 Mat trainLable(m_NUM,CLASSNUM,CV_32FC1,dataCls);
对于train的其他参数，除了params需要注意下，其他都是默认的。
////第三步 读取训练样本，填充数据矩阵data和类别矩阵dataCls
首先，我们定义了全局变量，要进行初始化工作，那么写完void main()后的第一件事就是调用init()函数，进行初始化工作，init()代码如下
/************************************************** *名称：init() *参数：void *返回值：void *作用：初始化各类参数 ****************************************************/ void init() { memset(data,0,sizeof(data)); memset(dataCls,0,sizeof(dataCls)); mClass = -1; //初始类别为-1 dNum = 0; //统计样本个数，其实没软用，对于本工程样本个数固定为560 }
之后是读入图像和提取HOG特征，并记录样本所属类别和填充数据矩阵，代码如下
init(); ifstream in("trainpath.txt");string s,ss; while( in >> s){ if(ss != s.substr(0,19)){ mClass++; //类别是0，1，2，3 cout<<mClass<<endl; } ss = s.substr(0,19); cout<<s<<endl; //------------------------读入图像，缩放图像---------------------------- Mat imge = imread(s),img; if(imge.empty()) { cout<<"image load error!"<<endl; system("pause"); return 0; } resize(imge,img,Size(64,64)); //------------------------提取HOG特征，放入特征数组--------------------- getHOG(img); packData(sta); //填充特征数组和类别数组 }
稍微解释一下流程。
先定义一个文件流用于读取训练集路径文件trainpath.txt，这个txt文件保存了所有训练集的文件路径，一行一个，像这样
....data rainCitroenX-雪铁龙_1350198-01_201502010833146800.jpg ....data rainCitroenX-雪铁龙_1350198-01_201502010841008800.jpg ....data rainCitroenX-雪铁龙_1350198-01_201502010845367300.jpg
而且，不同类别的车标放在一起，举个例子，共400行，前100行是雪铁龙，再100行本田，再100行一汽，再100行福田（每个字符串的前17行是一样的，19行肯定不一样）
这样有个好处，可以方便地统计这个图片路径对应的图片属于哪个种类的车。我们从代码来看这个过程。
先定义两个字符串ss和s，文件流一行行读入并保存一行到s,取前19行，如果不等于ss，就让mClass+1。
可以看到，初始mClass=-1.并且第一个字符串肯定不等于ss(因为此时ss为空)，那么第一个图片数据就属于类别0，之后保存ss为s的前19位。
这样，读完整个图片路径，4种车标就可以很清楚地被区分了。
然后后面这个是读图保护，不管他，
然后读入图片，使用resize函数将其压缩到64×64，看到没，这就是我们提取HOG时候的检测窗口大小。
调用getHog(img)获取图像的HOG特征，这个getHog是自定义函数，写在main函数前面就行，代码如下：
1 /************************************************** 2 *名称：getHOG() 3 *参数：Mat& img 4 *返回值：void 5 *作用：获取图像的HOG特征 6 ****************************************************/ 7 void getHOG(Mat& img) 8 { 9 HOGDescriptor *hog = new HOGDescriptor( 10 Size(64,64), //win_size 检测窗口大小，这里即完整的图 11 Size(16,16), //block_size 块大小 12 Size(8,8), //blackStride 步进 13 Size(8,8), //cell_size 细胞块大小 14 9 //9个bin 15 ); 16 hog -> compute( //提取HOG特征向量 17 img, 18 descriptors, //存放特征向量 19 Size(64,64), //滑动步进 20 Size(0,0) 21 ); 22 delete hog; 23 hog = NULL; 24 }
这里其实就调用了几个openCV自带的函数，对传进来的图片进行特征提取而已。有一点要注意，compute函数的第二个参数
descriptors是全局变量，记不起来的可以去前面的全局变量定义的地方找找，它就是用来保存提取到的HOG特征。
刚才我们也计算过了，一张图1764个特征，也就是一次提取，descriptors就放一次1×1764的数据。
那么提取到一张图的特征后，我们要把他放到data里，那么就是packData了，同样，packData是一个全局函数
void packData() { int p = 0; for (vector<float>::iterator it = descriptors.begin(); it != descriptors.end(); it++) { data[dNum][p++] = *it; } dataCls[dNum++][mClass] = 1.0; }
前一半的for循环用来从descriptors中的向量填到data矩阵中，后一个语句就是更新它对应的类别矩阵。
循环执行完，我们的数据也填充完毕了，接下来就是建立网络训练了。
////第四步 建立神经网络 训练参数矩阵
先上这部分代码
1 //------------------------建BP神经网络，开始训练------------------------ 2 CvANN_MLP bp; 3 4 CvANN_MLP_TrainParams params; 5 params.term_crit=cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS,7000,0.001); //迭代次数7000,最小误差0.001 6 params.train_method=CvANN_MLP_TrainParams::BACKPROP; //训练方法反向传播 7 params.bp_moment_scale=0.1; 8 params.bp_dw_scale=0.1; 9 10 11 Mat layerSizes = (Mat_<int>(1,3) << F_NUM,48,4 ); //3层神经网络 12 Mat trainDate(m_NUM,F_NUM,CV_32FC1,data); 13 Mat trainLable(m_NUM,CLASSNUM,CV_32FC1,dataCls); 14 bp.create(layerSizes, CvANN_MLP::SIGMOID_SYM); //激活函数sigmoid 15 system("cls"); 16 cout<<"训练中...训练时间大致需要6分钟，请耐心等待"; 17 bp.train(trainDate,trainLable, Mat(),Mat(), params); //开始训练 18 19 system("cls"); 20 cout << "训练完成！！" <<endl;
CvANN_MLP是openCV自带的人工神经网络类，可以直接用，很方便吧。
我们先定义了一个CvANN_MLP类，然后看第二块，第二块就是神经网络的一些参数的设定，具体注释都有，就不讲了
第三块：第11行，定义神经网络层数为3层，第一层：F_NUM个神经元，还记得F_NUM吗？全局变量，就是特征数1764！
总之神经网络就是1764,48,4共3层，每次节点数就是这么几个。
12-13行，看见没，这就是把我们填充完的数据数组和类别数组赋值给Mat阵，之后就能调用create函数啦，创建一个网络，使用SIGMOID函数什么的。
然后是训练，train()之前也说过。SO EASY!
等待6分钟左右，训练就结束了，之后就是测试了
////第五步 测试神经网络
老规矩，上代码再说
1 //---------------------------------读入图像，开始测试-------------------------- 2 system("cls"); 3 cout<<"开始测试..."<<endl; 4 system("cls"); 5 Mat imge,img; 6 7 ifstream ins("testpath.txt"); 8 9 int cls = -1; 10 int num=0,c_num=0; 11 while( ins >> s){ 12 memset(f,0,sizeof(f)); 13 if(ss != s.substr(0,19)){ 14 cls++; 15 cout<<cls<<endl; 16 } 17 cout<<s<<endl; 18 ss = s.substr(0,19); 19 imge = imread(s); 20 resize(imge,img,Size(64,64)); //使用线性插值 21 num++; 22 if (classifier(img,bp) == cls) 23 { 24 c_num++; 25 } 26 27 } 28 system("cls"); 29 cout<<"测试完成"<<endl; 30 cout<<"***************************************"<<endl; 31 cout<<"*样本个数："<<num<<endl; 32 cout<<"*正确个数："<<c_num<<endl; 33 cout<<"*正确率："<<setprecision(4)<<(float)c_num/num*100<<"%"<<endl; 34 cout<<"***************************************"<<endl; 35 system("pause");
测试就不说太多了了，无非读一下测试路径集，匹配一下，唯一要讲的就是那个第22行的classiffier函数，这个也是个全局函数，上代码吧2333
/************************************************** *名称：classifier() *参数：Mat& CvANN_MLP& *返回值：int *作用：求解测试结果最相邻类别 ****************************************************/ int classifier(Mat& image,CvANN_MLP& bp) { getHOG(image); int p = 0;
for (vector<float>::iterator it = descriptors.begin(); it != descriptors.end(); it++) { f[0][p++] = *it;
}
Mat nearest(1, CLASSNUM, CV_32FC1, Scalar(0)); Mat charFeature(1, F_NUM, CV_32FC1,f); bp.predict(charFeature, nearest); Point maxLoc; minMaxLoc(nearest, NULL, NULL, NULL, &maxLoc); int result = maxLoc.x; return result; }
这个函数返回神经网络预测测试图片最可能的所属类别。之后就是统计正确个数了。
//--------------------------结语-----------------------------------------
代码全写在一个cpp里了2333，为了方便讲解，也方便自己学习嘛，不知道你有没有看明白我讲的呢ww。
可能以上讲解也有疏漏，如果建完工程还是有问题的话，就直接下载下面的工程对照着这个讲解再看一遍吧Orz（注意，运行前保证环境搭好，而且文件路径不要更改）
（附完整工程下载地址：https://github.com/Holy-Shine/carLogoRec）
有兴趣的小伙伴star一下仓库吧嘻嘻。