OpenCV中的CvSVM使用方法

转自：https://blog.csdn.net/armily/article/details/8483098

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。