写一个HOG+SVM识别火灾的代码，其中包括训练模型并用模型测试

火灾识别是一个常见的图像分类问题。其中，HOG（Histograms of Oriented Gradients）和SVM（Support Vector Machine）是常用的特征提取和分类算法。以下是使用OpenCV库和Sklearn库实现HOG SVM火灾识别的代码：

首先，我们需要准备训练和测试数据集。假设我们有两个文件夹，分别命名为“火灾”和“非火灾”，并将包含对应类别的图片放入相应的文件夹。我们需要将图片转换为灰度图，并将其调整为相同的大小以便于处理和训练。

import cv2
import numpy as np
import os

pos_folder = "data/pos"
neg_folder = "data/neg"
pos_images = [os.path.join(pos_folder, f) for f in os.listdir(pos_folder)]
neg_images = [os.path.join(neg_folder, f) for f in os.listdir(neg_folder)]
hog = cv2.HOGDescriptor((64,64),(16,16),(8,8),(8,8),9)

接下来，我们可以使用HOG描述符来提取特征，并将特征存储在一个特征向量中。我们使用正样本和负样本来训练SVM，并使用Sklearn库中的SVM分类器。

X = []
y = []

for i, image_path in enumerate(pos_images):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    resized_img = cv2.resize(gray, (64, 64))
    feature = hog.compute(resized_img)
    X.append(feature)
    y.append(1)

for i, image_path in enumerate(neg_images):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    resized_img = cv2.resize(gray, (64, 64))
    feature = hog.compute(resized_img)
    X.append(feature)
    y.append(0)

X = np.array(X)
y = np.array(y)

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

最后，我们训练模型并测试模型性能。

# 训练SVM模型
from sklearn.svm import SVC
clf = SVC(kernel='linear')
clf.fit(X_train, y_train)

# 测试模型性能
from sklearn.metrics import accuracy_score
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

现在我们有一个HOG SVM模型，可以用它来识别火灾。我们只需要提取测试图片的HOG特征，并使用训练好的SVM分类器进行分类即可。

test_image = cv2.imread("data/test.jpg")
gray = cv2.cvtColor(test_image, cv2.COLOR_BGR2GRAY)
resized_img = cv2.resize(gray, (64, 64))
feature = hog.compute(resized_img)
prediction = clf.predict(feature.reshape(1, -1))[0]
if prediction == 1:
    print("Fire detected")
else:
    print("No fire detected")

以上就是HOG SVM识别火灾的完整代码。