支持向量机的百度百科：http://baike.baidu.com/link?url=be_sHxP-L6kpwFWCrFTDgd5KRR3xlye3N-QI_ndE8lyKEoZJGFxuYfrWHviFq8DZBAGhU3Uh39gZlOFEvElrip4hh6qAi_rYFdcPm7TumAAa428tZ1rV8z9eSmOY1tFMYc7BPKEIx1f_W79E4i-R9q
机器学习：
机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。
机器学习的大致分类：
1）分类（模式识别）：要求系统依据已知的分类知识对输入的未知模式（该模式的描述）作分析，以确定输入模式的类属，例如手写识别（识别是不是这个数）。
2）问题求解：要求对于给定的目标状态,寻找一个将当前状态转换为目标状态的动作序列。
SVM一般是用来分类的
一般首先从二维的分类做起，扩展到三维，以及超维度的分类划分，下面是一个二维空间，将空间中的两个点分类：
SVM的学习在于经过训练后可以找到最合适的线或平面将空间进行分割，实现点的分类。
在低维度的空间中难以分割的图像，如：
解决方法可以采用将其扩展到高维度的空间中，实现分割：
不考虑具体的函数实现原理，只分析以怎样的心态和角度来应用支持向量机，解决一些现实中需要解决的问题，现在假设已知一定数量的点坐标和其两种不同的分类状况，需要将其在二维空间中进行分割，在图像中绘制分割状况，问题就会变得易懂。下面开始分析SVM的代码实现过程：
首先，如果我们想要在一个空间里分类两类不同的点，首先需要知道每个点的具体坐标，在接收到的图片信息中，我们需要知道每个点的坐标值，还需要每一个点的分类。
可以即将上述的两类数值要求存入两个数组内，假设共有n个点，那么首先设置Datetrain[n][2]，这时可以在下标为0的列中存储每个点的横坐标，在下标为1的列中存储每个点的纵坐标。每个点对应一个分组，可以把每个分组标记为1，-1，每个点的分组信息存储为一个数组中：label[n]。
存储好点的信息，下面就需要进行训练了，训练需要实例化向量机，因此创建CvSVM类型的对象SVM，CVSVM的训练方法为：
CvSVM::train（const CvMat* trainData，
const CvMat* responses，
const CvMat* varIdx=0，
const CvMat* sampleIdx=0，
CvSVMParams params=CvSVMParams（）
）
其中，参数信息：
1、trainData: 练习数据，必须是CV_32FC1 （32位浮点类型，单通道）。数据必须是CV_ROW_SAMPLE的，即特点向量以行来存储。
2、responses: 响应数据，凡是是1D向量存储在CV_32SC1 （仅仅用在分类题目上）或者CV_32FC1格局。
3、varIdx: 指定感爱好的特点。可所以整数（32sC1）向量，例如以0为开端的索引，或者8位（8uC1）的应用的特点或者样本的掩码。用户也可以传入NULL指针，用来默示练习中应用所有变量／样本。
4、sampleIdx: 指定感爱好的样本。描述同上。
5、params: SVM参数。
可以看出，练习数据trainData就是已经存储的数组Datetrain，而相应数据responses就相对于数组label，为了达到SVM训练相对应的数据类型，可以进行转化：
Mat trainingDataMat(n, 2, CV_32FC1, Datatrain);
Mat labelsMat(n,1, CV_32FC1, label);
接下来需要重点介绍的是SVM参数params：
在opencv2中，有专门的CvSVMParams方法来对训练支持向量机SVM进行参数的设置，CvSVMParams的构造方法如下，都是对于SVM训练的参数设定：
struct CvSVMParams
{
CvSVMParams();
CvSVMParams( int _svm_type, int _kernel_type,
double _degree, double _gamma,double _coef0,
double _C, double _nu, double_p,
CvMat* _class_weights, CvTermCriteria_term_crit );
int svm_type;
int kernel_type;
double degree; // for poly
double gamma; // for poly/rbf/sigmoid
double coef0; // for poly/sigmoid
double C; // for CV_SVM_C_SVC, CV_SVM_EPS_SVR andCV_SVM_NU_SVR
double nu; // forCV_SVM_NU_SVC, CV_SVM_ONE_CLASS, and CV_SVM_NU_SVR
double p; // forCV_SVM_EPS_SVR
CvMat* class_weights; // forCV_SVM_C_SVC
CvTermCriteria term_crit; // termination criteria
};```
第一个参数：svm_type，SVM的类型
作用主要在于使用SVM处理每一个数据点时的分类问题，包括处理意外的点，如果需要拟合高维度的图像时的拟合距离等。
CvSVM::C_SVC：表示在不能精确地使用线性曲线来分割时，可以忽略某些点，但是需要保持尽量最好地线性分类
CvSVM::NU_SVC：n类似然不完全分类的分类器。参数nu取代了c，其值在区间【0，1】中，nu越大，决策边界越平滑。
CvSVM::ONE_CLASS ： 单分类器，把当前需要分类的所有数据归为一个类，线性分界线用于区分当前类和另外一个类
CvSVM::EPS_SVR ：回归。 训练集中的特征向量和拟合出来的超平面的距离需要小于p。异常值惩罚因子C被采用。
CvSVM::NU_SVR ：回归；nu 代替了p
第二个参数：kernel_type，核类型：
核函数的基本作用就是接受两个低维空间里的向量，能够计算出经过某个变换后在高维空间里的向量内积值。因此，核类型的作用在于选择哪种方法进行多维度的参数拟合。
CvSVM::LINEAR ：线性核函数，当前维度内进行分界，最快的选择
CvSVM::POLY ：多项式核: d(x,y)= (gamma•(x•y)+coef0)degree
CvSVM::RBF ：径向基，对于大多数情况都是一个较好的选择：d(x,y)= exp(-gamma•|x-y|2)
CvSVM::SIGMOID： sigmoid函数被用作核函数:d(x,y) = tanh(gamma·(x•y)+coef0)
下面是不同的核函数，其中K(w,x),他接受低维空间的输入值，却能算出高维空间的内积值，可以选择性阅读了解：
(1)线性核函数
(2)多项式核函数
(3)径向基（RBF）核函数（高斯核函数）
(4)Sigmoid核函数（二层神经收集核函数）
C, nu, p：在一般的SVM优化求解时的参数。
class_weights:可选权重，赋给指定的类别。一般乘以C以后去影响不同类别的错误分类惩罚项。权重越大，某一类别的误分类数据的惩罚项就越大。
最后一个：term_crit:SVM的迭代训练过程的中止。（解决了部分受约束二次最优问题），迭代中止的方法有两种：
1、迭代到了一定的次数而中止
2、迭代到了指定的阙值后中止
这部分在学习特征检测时就有涉及，今天再次回顾：
TermCriteria(
int type,
int maxcount,
double epsilon
)
其中type取TermCriteria::MAX_ITER/TerCriteria::COUNT时表示迭代到最大次数中止，这时参数maxcount起作用；
type取TermCriteria::EPS时表示迭代到制定阙值后中止，这时参数epsilon起作用；
type取TermCriteria::EPS+TermCriteria::MAX_ITER时表示出现以上任意一种情况后都中止，这时两个参数都起作用。
到这里，已经可以对参数进行训练了，训练后得到的分界线可以由SVM.predict（Mat sampleMat）预测函数来判断，判断的结果则为label中的设定1，-1来进行标记，依次对每一个坐标进行预测都能得到该坐标的分类状况，坐标应化为Mat型的SampleMat来进行预判。
下面上代码：
include
include
include
using namespace cv;
int main()
{
// 视觉表达数据的设置（Data for visual representation）
int width = 512, height = 512;
//图片的宽，高，以及通道数（第三通道），初始化零矩阵，表示矩阵是0，黑色底面
Mat image = Mat::zeros(height, width, CV_8UC3);
//建立训练数据（ Set up training data）
/*训练的是四个点，点的值分别为+1与-1，用以区分两种不同的点*/
float labels[4] = {1.0, -1.0, -1.0, -1.0};
//使用已有的初始化矩阵来初始化图像
Mat labelsMat(3,1, CV_32FC1, labels);
//已知的点的矩阵
float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };
//使用已有的初始化矩阵来初始化图像
Mat trainingDataMat(3, 2, CV_32FC1, trainingData);
//imshow("【train】",trainingDataMat);
//设置支持向量机的参数（Set up SVM's parameters）
CvSVMParams params;
/*SVM的类型:C_SVC：允许用异常惩罚因子C进行不完全分类 */
params.svm_type = CvSVM::C_SVC;
/*核类型 LINEAR：没有任何向映像至高维空间，线性区分在原始特征空间中被完成 */
params.kernel_type = CvSVM::LINEAR;
/*迭代到指定阙值后终止*/
params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);
// 训练支持向量机（Train the SVM）
CvSVM SVM;//初始化值
SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);//开始训练
//两种颜色
Vec3b green(0,255,0), blue (255,0,0);
//显示由SVM给出的决定区域 （Show the decision regions given by the SVM）
for (int i = 0; i < image.rows; ++i)
for (int j = 0; j < image.cols; ++j)
{
//创建了一个一行两列的矩阵图像，并且将这两个图像的像素分别设置为当前像素点的行数和列数
//或者使用cvmSet(CvMat* mat, int row, int col, double value
Mat sampleMat = (Mat_(1,2) << i,j);
//当前样本被分到哪一个类，预测函数
float response = SVM.predict(sampleMat);
if (response == 1)
image.at(j, i) = green;
else if (response == -1)
image.at(j, i) = blue;
}
//显示训练数据 （Show the training data）
int thickness = -1;
int lineType = 8;
circle( image, Point(501, 10), 5, Scalar( 0, 0, 0), thickness, lineType);
circle( image, Point(255, 10), 5, Scalar(255, 255, 255), thickness, lineType);
circle( image, Point(501, 255), 5, Scalar(255, 255, 255), thickness, lineType);
circle( image, Point( 10, 501), 5, Scalar(255, 255, 255), thickness, lineType);
//显示支持向量 （Show support vectors）
thickness = 2;
lineType = 8;
//获得支持向量的个数
int c = SVM.get_support_vector_count();
std::cout << c << std::endl;
for (int i = 0; i < c; ++i)
{
//获得对应的索引编号的支持向量
const float* v = SVM.get_support_vector(i);
circle( image, Point( (int) v[0], (int) v[1]), 6, Scalar(128, 128, 128), thickness, lineType);
}
imwrite("result.png", image); // 保存图像
imshow("SVM Simple Example", image); // 显示图像
waitKey(0);
}