opencv3.1 svm（支持向量机）使用心得
本文转载自：http://livezingy.com/category/opencv/
在开源的车牌识别系统EasyPR中，用SVM（支持向量机）模型甄选出候选车牌中真正的车牌。目前EasyPR1.4的SVM模型输入的是LBP特征，作者提及后续会考虑增加HOG和SIFT特征。据此思路，我用HOG特征作为SVM模型的输入进行了初步验证，在此记录训练方法和数据。
本文验证用的工程SVM sample已上传至CSDN，欢迎下载和探讨，该工程运行环境：Win10 + VS2013 + opencv3.1。trainAuto非常耗时，具体时间与电脑配置相关，本文的测试数据会给出各类特征trainAuto的训练时间，所以这里也给出电脑配置供大家参考：Intel(R) Core(TM) i3 CPU，4GB内存。
1. LBP/HOG特征SVM训练结果
我们先来看一下LBP特征作为SVM输入时的验证结果，如下图所示。LBP特征完全来源于EasyPR工程，SVMexample中只是将svm_train.cpp以及LBP相关内容独立出来了。但是训练结果中的precise, recall, Fscore并没有EasyPR作者博客中介绍的那么高，不知是否与opencv版本有关，或者只是我使用不当。
下图是HOG特征作为输入的验证结果。HOG特征的维度与检测HOG特征时的参数有关，我验证过两组参数。其中特征维度为24156时，以RBF为内核时，我的程序运行24小时以上都没有得到结果。但是将特征维度降为2340后，RBF得到了结果，优于LINEAR内核。且同为LINEAR内核，2340维度的结果要优于24156维度的。有兴趣的同学可以再尝试降低维度是否可以得到更好的结果。
验证结果的注解如下：
1.1 EasyPR作者的博客计算机的潜意识, EasyPR在Github上的地址https://github.com/liuruoze/EasyPR
1.2 本文验证工程的主题架构和LBP特征来源于EasyPR1.4的svm_train.cpp文件，训练样本是EasyPR1.4中的训练数据，数据路径EasyPR\resources\train\svm.7z。
1.3 EasyPR1.0~EasyPR1.4中在使用SVM模型时，设置的SVM类型均为C_SVC，本文各类特征的验证结果也基于C_SVC。
1.4 LBP/HOG/SIFT/SURF特征均使用trainAuto函数训练得到。
count_all：测试样本总数量；
ptrue_rtrue：预测(p)为车牌并且实际(r)为车牌的数量；
ptrue_rfalse：预测(p)为车牌并且实际(r)不为车牌的数量；
pfalse_rtrue：预测(p)是非车牌但实际(r)为车牌的数量；
pfalse_rfalse：预测(p)是非车牌但实际(r)不为车牌的数量；
precise/recall/Fscore分别表示准确率，查全率，评分。这三个参数的具体意义大家可以参考《EasyPR详解》中的第6章《SVM开发详解》，这里不再赘述。
c/class weights/coef0/degree/gamma/nu/p等参数是SVM 模型的训练参数。opencv 官网文档对这些参数都有注解，对于使用者而言，我们可以不用理解这些参数的意义，因为有trainAuto函数，该函数会自动调参，相关介绍可以参考opencv3.1 svm（支持向量机）使用心得
2. SVM训练数据特征向量维度
SVM模型训练时，要求每个样本的特征维度相同。
LBP特征维度与图像尺寸有关，EasyPR的图像样本的尺寸固定为136*36，因此LBP特征的维度是固定的。
HOG特征的维度由HOG特征检测时的参数决定的，检测样本时保持相同的参数就可以确保不同图像得到的HOG特征维度相同。
而SIFT和SURF特征则不一样，每一个特征点的描述符维度固定，但不同图像获取的特征点数量不一致，这种状况会导致不同图像的特征维度不一致。因此后续在尝试用SIFT和SURF特征作为SVM的输入时需要结合feature聚类来实现，下一次再和大家分享SIFT和SURF特征值作为SVM输入的例程。