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。