描述:opecv的线性分类器SVM使用简洁高效,这里列出其使用方法
1)设置训练样本集需要两组数据,一组是数据的类别,一组是数据的向量信息。
2)设置SVM参数利用CvSVMParams类实现类内的成员变量的表示
3)训练SVM调用CvSVM::train函数建立SVM模型,第一个参数为训练数据,第二个参数为分类结果,最后一个参数即CvSVMParams
4)用这个SVM进行分类调用函数CvSVM::predict实现分类
5)获得支持向量除了分类,也可以得到SVM的支持向量,调用函数CvSVM::get_support_vector_count获得支持向量的个数,CvSVM::get_support_vector获得对应的索引编号的支持向量。
小例子如下:
int main( int argc, char** argv ) { bool train_update = false; int train_sample_count = 100; int train_sample_size = 10; //维度 CvMat *data_mat = NULL; //要训练的数据 CvMat *class_mat = NULL; //数据的类别 class_mat = cvCreateMat(train_sample_count, 1, CV_32FC1); data_mat = cvCreateMat(train_sample_count, train_sample_size, CV_32FC1); for(i = 0; i < train_sample_count; i++) { class_mat->data.fl[ i] = value; //assign the class or regression value for(j = 0; j < train_sample_size; j++) { data_mat->data.fl[i*train_sample_size+ j] = val; //assing data sample value } } CvSVMParams svm_param; svm_param.svm_type = CvSVM::NU_SVR; svm_param.kernel_type = CvSVM::RBF; svm_param.gamma = 1./train_sample_size; svm_param.nu = 0.5; svm_param.C = 8; svm_param.term_crit.epsilon = 0.001; svm_param.term_crit.max_iter = 50; svm_param.term_crit.type = CV_TERMCRIT_ITER | CV_TERMCRIT_EPS; CvSVM *tSvm = new CvSVM(); tSvm->train(data_mat, class_mat, 0, 0, svm_param); tSvm->save("filename.xml", 0); //For prediction CvSVM *pSvm = new CvSVM(); pSvm->load("filename.xml", 0); CvMat *sample = cvCreateMat(1, train_sample_size, CV_32FC1); for(i = 0; i < train_sample_size; i++) { sample->data.fl[i] = val ;//assign value } float pred = pSvm->predict(sample); printf("n %.3f", pred); }
附加:libSVM的使用总体思路:
1、提取正负样本hog特征
2、投入svm分类器训练,得到model
3、由model生成检测子
4、利用检测子检测负样本,得到hardexample
5、提取hardexample的hog特征并结合第一步中的特征一起投入训练,得到最终检测子。