bow+svm车辆检测

# -*- coding:utf-8 -*-
import cv2
import numpy as np
from os.path import join

trainpath = ‘D:\PyCharm 2018.2.2\program\image\CarData\TrainImages‘

#定义函数返回训练集图像的路径
def path（clsi）:
    return ‘%s\%s%d.pgm‘%（trainpathclsi+1）

posneg = ‘pos-‘‘neg-‘

#创建两个SIFT对象，一个用来提取关键点，一个用来提取特征描述符
sift_kp = cv2.xfeatures2d.SIFT_create（）
sift_des = cv2.xfeatures2d.SIFT_create（）

#创建FLANN匹配器
indexParams = dict（algorithm=1 trees=5）
searchParams = {}
flann = cv2.FlannbasedMatcher（indexParams searchParams）

#创建bow训练器，指定簇数为40
bow_kmeans_trainer = cv2.BOWKMeansTrainer（40）
#创建bow特征提取器，视觉词汇将作为bow提取器的输入，bow提取器用来提取图像的特征，与视觉单词进行特征匹配，返回以视觉单词为词基的向量特征
bow_extractor = cv2.BOWImgDescriptorExtractor（sift_desflann）

#函数返回图像的特征描述符，SIFT.compute（图像，关键点）
def des_extract（imgpath）:
    img = cv2.imread（imgpath0）
    return sift_des.compute（imgsift_kp.detect（img））[1]

#将正负样本的描述符添加至bow训练器中
for i in range（50）:
    bow_kmeans_trainer.add（des_extract（path（posi）））
    bow_kmeans_trainer.add（des_extract（path（negi）））

#cluster（）函数执行k-means分类，并返回视觉词汇，将视觉词汇输入到bow提取器中
vocabulary = bow_kmeans_trainer.cluster（）
bow_extractor.setVocabulary（vocabulary）

#定义函数，返回bow提取器提取的特征描述符
def bow_features（imgpath）:
    img = cv2.imread（imgpath）
    return bow_extractor.compute（img