libsvm详细训练步骤

1、正样本的大小一定要与检测窗口大小保持一致。2、Dalal的训练可以分为3步： a 、正样本图像若干（窗口大小），负样本图像若干，负样本图像的尺寸任意。从负样本图 像的随机位置抽取窗口大小的图像，作为真正参与训练的负样本。 然后从所有样本图像中 提取特征（对每一个64*128的图像Dalal提取一个3780维的特征向量），然后用svm训练, 得到一个初始的分类器。b、这一步要在前面的负样本图像中抽取大量的具有窗口尺寸的负样本。对每一个负样本图 像，可以经过若干次缩放处理得到不同层次上的金字塔图像（pyramid），不过要保证其大于 等于窗口尺寸。（这里面就用到了-startscale, -endscale, -scaleratio这三个参数。）检测窗也可 以在这些金字塔图像上平移滑动，每一个位置都对应了一个窗口大小的负样本。用初始分类 器检测这些负样本，记录所有分类错误的负样本，这就是所谓的（hard samples）c、把分类错误的负样本集加入到初始的训练集中，重新训练，生成最终的分类器。We selected 1239 of the images as positive training examples, together with their left-right reflections （2478 images in all）. A Axed set of 12180 patches sampled randomly from 1218 person-free training photos provided the initial negative set. For each detector and parameter combination a preliminary detector is trained and the 1218 negative training photos are searched exhaustively for false positives （'hard examples'）. The method is then re-trained using this augmented set （initial 12180 + hard examples） to produce the Anal detector. The set of hard examples is subsampled if necessary, so that the descriptors of the Anal training set it into 1.7 Gb of RAM for SVM training.1. 程序介绍和环境设置windows下的libsvm是在命令行运行的Console Program。所以其运行都是在windows的命 令行提示符窗口运行（运行，输入cmd）。运行主要用到的程序，由如下内容组成： libsvm-2.9/windows/ 文件夹中的： svm-train.exe svm-predict.exe svm-scale.exelibsvm-2.9/windows/ 文件夹中的： checkdata.py subset.py easy.py grid.py另外有： svm-toy.exe，我暂时知道的是用于演示svm分类。其中的load按钮的功能，是否能直接载 入数据并进行分类还不清楚，尝试没有成功； python文件夹及其中的svmc.pyd，暂时不清楚功能。因为程序运行要用到python脚本用来寻找参数，使用gnuplot来绘制图形。所以，需要安装 python 和 Gnuplot。(Python v3.1 Final 可从此下载：(gnuplot 可从其官网下载： http:/www.gnuplot.info)为了方便，将gnuplot的bin、libsvm-2.9/windows/加入到系统的path中，如下：gnuplot.JPG libsvm.JPG这样，可以方便的从命令行的任何位置调用 gnuplot 和 libsvm 的可执行程序，如下调用 svm-train.exe: pathtest.JPG出现svm-train程序中的帮助提示，说明path配置成功。至此，libsvm运行的环境配置完成。下面将通过实例讲解如何使用libsvm进行分类。2.使用libsvm进行分类预测我们所使用的数据为UCI的iris数据集，将其类别标识换为1、2、3。然后，取3/5作为训 练样本，2/5作为测试样本。使用论坛中“将UCI数据转变为LIBSVM使用数据格式的程序” 一文将其转换为libsvm所用格式，如下： 训练文件 tra_iris.txt1 1:5.4 2:3.4 3:1.7 4:0.21 1:5.1 2:3.7 3:1.5 4:0.41 1:4.6 2:3.6 3:1 4:0.21 1:5.1 2:3.3 3:1.7 4:0.51 1:4.8 2:3.4 3:1.9 4:0.22 1:5.9 2:3.2 3:4.8 4:1.82 1:6.1 2:2.8 3:4 4:1.32 1:6.3 2:2.5 3:4.9 4:1.52 1:6.1 2:2.8 3:4.7 4:1.22 1:6.4 2:2.9 3:4.3 4:1.33 1:6.9 2:3.2 3:5.7 4:2.33 1:5.6 2:2.8 3:4.9 4:23 1:7.7 2:2.8 3:6.7 4:23 1:6.3 2:2.7 3:4.9 4:1.83 1:6.7 2:3.3 3:5.7 4:2.13 1:7.2 2:3.2 3:6 4:1.8测试文件 tes_iris.txt1 1:5.1 2:3.5 3:1.4 4:0.21 1:4.9 2:3 3:1.4 4:0.21 1:4.7 2:3.2 3:1.3 4:0.21 1:4.6 2:3.1 3:1.5 4:0.21 1:5 2:3.6 3:1.4 4:0.21 1:5.4 2:3.9 3:1.7 4:0.42 1:7 2:3.2 3:4.7 4:1.42 1:6.4 2:3.2 3:4.5 4:1.52 1:6.9 2:3.1 3:4.9 4:1.52 1:5.5 2:2.3 3:4 4:1.32 1:6.5 2:2.8 3:4.6 4:1.53 1:6.3 2:3.3 3:6 4:2.53 1:5.8 2:2.7 3:5.1 4:1.93 1:7.1 2:3 3:5.9 4:2.13 1:6.3 2:2.9 3:5.6 4:1.83 1:6.5 2:3 3:5.8 4:2.2 libsvm 的参数选择一直是令人头痛的问题。不过，对于初学者，如果数据不是很大，在 libsvm 的tools文件中为大家提供了 easy.py。它可以自动完成从归一化到参数选择的一切所需操作。使用方法为：easy.py training_file testing_file另外有其他参数选择工具，可以参考 tools 中的 readme 说明。下面，我们先使用 easy.py 进 行分类实验。1）使用 libsvm 进行多分类利用 easy.py 工具 在使用前，要确保上面环境变量已经配置。然后将 tra_iris.txt 、tes_iris.txt 拷贝到 tools 文件 夹，以防止写长路径名。同时，因为 gnuplot 的安装路径人人都不相同，所以，需要在 easy.py 中做相应修改，如下将CODE:else:# example for windowssvmscale_exe = r".windowssvm-scale.exe" svmtrain_exe = r".windowssvm-train.exe" svmpredict_exe = r".windowssvm-predict.exe" gnuplot_exe = r"D:greensoftgnuplotbinpgnuplot.exe" grid_py = r".grid.py"中 D:greensoftgnuplotbinpgnuplot.exe, 改为你的 pgnuplot.exe 所在位置。【syr 补充： 在“交叉验证寻找最优参数”之前,需要在 grid.py 中： CODE:else:# example for windows svmtrain_exe = r".windowssvm-train.exe" gnuplot_exe = r"G:Program Filesgnuplotbinpgnuplot.exe" 其中的"G:Program Filesgnuplotbinpgnuplot.exe"改为你的 pgnuplot.exe 所在的路径。】接着，“运行”中输入cmd打开命令行，转到libsvm-2.9tools所在目录，然后，输入命令CODE:easy.py svmtra_iris.txt svmtes_iris.txt 执行，程序会自动调用训练、交叉验证、预测将结果保存到同目录的文件中。运行情况如下：easy.JPG程序自动寻参情况图示如下svmtra_iris_scale.png程序执行的结果在svmtes_iris.txt.predict文件中，规范化结果在svmtra_iris.txt.scale.out中。从运行情况可看出，其预测精度为 Accuracy = 96.6667% (58/60) 。libsvm_iris.rar(2009-12-04 09:58:34, Size: 9.34 KB, Downloads: 51)(2)对应上实验，手动使用libsvm进行多分类的方法下面方法是通过分析easy.py所得，均在“运行” cmd命令行执行。规范化训练样本CODE:svm-scale -s svmtra_iris.txt.range svmtra_iris.txt > svmtra_iris.txt.scale 交叉验证寻找最优参数CODE:grid.py -svmtrain svm-train -gnuplot gnuplot svmtra_iris.txt.scale 利用寻找的参数训练模型CODE:svm-train -c 8.0 -g 0.03125 svmtra_iris.txt.scale svmtra_iris.txt.model 规范化测试样本CODE:svm-scale -r svmtra_iris.txt.range svmtes_iris.txt > svmtes_iris.txt.scale 使用模型进行分类预测CODE:svm-predict svmtes_iris.txt.scale svmtra_iris.txt.model svmtes_iris.txt.predictsvm-train、svm-scale、svm-predict 等名字为 windows 文件夹中 exe 文件的名字。至此，使用libsvm进行分类的完整过程分析介绍。你肯定是哪里的步骤不对吧