首先,准备素材,然后根据训练类别构建SVM模型,然后训练,保存模型参数,然后使用模型进行分类。
首先是训练模型部分,第一步进行特征提取,提取到的特征组成一个向量,稍后添加到SVM模型去。特征提取的方法有很多,这里就不说了。
然后是训练模型,上代码
Hlong NumFeatures = 8;
HString KernelType = "rbf";
double KernelParam = 0.02, Nu = 0.01;
Hlong NumClasses = 1;
HString Mode = "one-versus-one", Preprocessing = "normalization";
Hlong NumComponents = 8;
HClassSvm classSvm;
classSvm.CreateClassSvm(NumFeatures, KernelType, KernelParam, Nu, NumClasses, Mode, Preprocessing, NumComponents);
double Epsilon = 0.01;
HString TrainMode = "default";
classSvm.TrainClassSvm(Epsilon, TrainMode);
classSvm.WriteClassSvm("SVMModel.gsc");
至此完成训练,然后就是识别
HTuple Class2 = fileclassSvm.ClassifyClassSvm(getAllFeats(reg, gray), Num2);
返回值就是识别结果。
存在问题,多类别分类不好判别置信度,就造成无论什么输入都会被判别为某一个类。
解决方案单独训练一个类别,即可得到特征向量与超平面的距离,从而得到一个判别的依据。