Opencv入门教程之使用Opencv进行模式识别与分类

本章中，主要介绍一些模式识别的基础概念。

在模式识别中，对元素进行分类之前，我们需要采集样本进行训练。本章的实例中，训练了3个类，每一个类采集了100个样本。

对于训练，需要创建两个矩阵，一个是用于存储样本数据的矩阵，一个用于与数据对应的类的标号：

Int train_sample_count=300;//总共300个样本

CvRNG rng_state = cvRNG(-1);

CvMat* trainData =cvCreateMat(train_sample_count,2,CV_32FC1);//存储样本数据

CvMat* trainClasses = cvCreateMat(train_sample_count, 1, CV_32FC1 );//存储类的标号

矩阵trainData是一个有train_sample_count行，2列，该矩阵中的每一行代表一个样本，每一个样本是用一个2维的横向量来表示。矩阵trainClasses有train_sample_count行，1列，

其行数是与trainData相同，trainClasses是与trainData一一对应的，假设trainData中的第一行的样本数据是属于第3类的，那么，trainClasses中第一行的那个值就是3.

在我们的例子中，trainClasses中的前100的样本数据时第一个类的，第100到第200行的样本数据第2类的，最后100行样本数据时第3类的。

那么：

cvGetRows( trainClasses, &trainClasses1, 0, 100 );

cvSet( &trainClasses1, cvScalar(1) );

cvGetRows( trainClasses, &trainClasses2, 100, 200);

cvSet( &trainClasses2, cvScalar(2) );

cvGetRows( trainClasses, &trainClasses3, 200, 300);

cvSet( &trainClasses3, cvScalar(3) );

函数cvGetRows是通过选取原矩阵中的某些行，得到一个新矩阵：

cvGetRows(srcMatrix, destMatrix, first_row, last_row );

那么destMatrix就是srcMatrix的第first_row到第last_row行的矩阵数据。

cvSet是给矩阵赋一个初始值，例如：

cvSet(matrix, cv_scalar_value );是把矩阵matrix中的所有的值设为cv_scalar_value。

本教程中，采用随机数来生成样本，使用的是opencv中的函数cvRandArr，由前面可知，我们的样本是二维的，那么需要由cvRandArr给每一个样本产生2个随机值。

产生训练样本1

cvGetRows( trainData, &trainData1, 0,100 );

cvGetCol( &trainData1, &colData1x, 0);

cvGetCol( &trainData1, &colData1y, 1);

cvRandArr( &rng_state, &colData1x, CV_RAND_NORMAL, cvScalar(200),cvScalar(50) );

cvRandArr( &rng_state, &colData1y, CV_RAND_NORMAL, cvScalar(200),cvScalar(50) );

产生训练样本2

cvGetRows( trainData, &trainData2, 100,200 );

cvGetCol( &trainData2, &colData2x, 0);

cvGetCol( &trainData2, &colData2y, 1);

cvRandArr( &rng_state, &colData2x, CV_RAND_NORMAL, cvScalar(300),cvScalar(50) );

cvRandArr( &rng_state, &colData2y, CV_RAND_NORMAL, cvScalar(300),cvScalar(50) );

产生训练样本3

cvGetRows( trainData, &trainData3, 200, 300 );

cvGetCol( &trainData3, &colData3x, 0);

cvGetCol( &trainData3, &colData3y, 1);

cvRandArr( &rng_state, &colData3x, CV_RAND_NORMAL, cvScalar(100),cvScalar(30) );

cvRandArr( &rng_state, &colData3y, CV_RAND_NORMAL, cvScalar(400),cvScalar(30) );

有了样本数据后，我们就可以进行训练了，在本教程中，使用k近邻域分类器(k nearest neighbour )。这种分类器最简单，而且能实现分多类。它的原理是通过一个投票机制，把目标分类到最近的邻域里。

需要使用opencv的CvKNearest类

CvKNearestknn( trainData, trainClasses, 0, false, K );

第一个参数是训练样本数据，第二个参数是类的标签。

那么现在就得到了一个knn分类器，如果现在需要判断一个二维向量是属于这3个类中的哪一个类，那么只需要调用knn.find_nearest函数就ok了，就会返回类的标签号。