基于SVM支持向量机和HOG特征的交通标志检测算法matlab仿真

目录

一、理论基础

二、部分MATLAB仿真 

三、仿真结论分析

---

一、理论基础

       支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）。SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一  。

        SVM是在1995年提出来的，它在小样本、非线性及高维样本分类中具有很强的优势。在线性可分的两类分类问题中，我们希望找到一个最佳平面，使得两个类的数据点间隔最大，我们称这个平面为最大间隔超平面。SVM就是通过寻找这样一个最大间隔超平面来构造决策函数，如图5-1所示。