学习OpenCV——SVM

最新推荐文章于 2022-06-25 21:47:28 发布
最新推荐文章于 2022-06-25 21:47:28 发布
阅读量619 收藏
点赞数
分类专栏： opencv 图像处理

OpenCV开发SVM算法是基于LibSVM软件包开发的，LibSVM是台湾大学林智仁(Lin Chih-Jen)等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。用OpenCV使用SVM算法的大概流程是

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svm_type表示SVM类型：

CvSVM：：C_SVC  C-SVC

CvSVM：：NU_SVC v-SVC

CvSVM：：ONE_CLASS 一类SVM

CvSVM：：EPS_SVR e-SVR

CvSVM：：NU_SVR v-SVR

成员变量kernel_type表示核函数的类型：

CvSVM：：LINEAR 线性：u‘v

CvSVM：：POLY 多项式：(r*u'v + coef0)^degree

CvSVM：：RBF RBF函数：exp(-r|u-v|^2)

CvSVM：：SIGMOID sigmoid函数：tanh(r*u'v + coef0)

成员变量degree针对多项式核函数degree的设置，gamma针对多项式/rbf/sigmoid核函数的设置，coef0针对多项式/sigmoid核函数的设置，Cvalue为损失函数，在C-SVC、e-SVR、v-SVR中有效，nu设置v-SVC、一类SVM和v-SVR参数，p为设置e-SVR中损失函数的值，class_weightsC_SVC的权重，term_crit为SVM训练过程的终止条件。其中默认值degree = 0，gamma = 1，coef0 = 0，Cvalue = 1，nu = 0，p = 0，class_weights = 0

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。

实现代码如下：运行步骤

[cpp]  view plain copy print ?
  1. // step 1:   
  2. float labels[4] = {1.0, -1.0, -1.0, -1.0};  
  3. Mat labelsMat(3, 1, CV_32FC1, labels);  
  4.   
  5. float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };  
  6. Mat trainingDataMat(3, 2, CV_32FC1, trainingData);  
  7.   
  8. // step 2:   
  9. CvSVMParams params;  
  10. params.svm_type = CvSVM::C_SVC;  
  11. params.kernel_type = CvSVM::LINEAR;  
  12. params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);  
  13.   
  14. // step 3:   
  15. CvSVM SVM;  
  16. SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);  
  17.   
  18. // step 4:   
  19. Vec3b green(0, 255, 0), blue(255, 0, 0);  
  20. for (int i=0; i<image.rows; i++)  
  21. {  
  22.     for (int j=0; j<image.cols; j++)  
  23.     {  
  24.         Mat sampleMat = (Mat_<float>(1,2) << i,j);  
  25.         float response = SVM.predict(sampleMat);  
  26.   
  27.         if (fabs(response-1.0) < 0.0001)  
  28.         {  
  29.             image.at<Vec3b>(j, i) = green;  
  30.         }  
  31.         else if (fabs(response+1.0) < 0.001)  
  32.         {  
  33.             image.at<Vec3b>(j, i) = blue;  
  34.         }  
  35.     }  
  36. }  
  37.   
  38. // step 5:   
  39. int c = SVM.get_support_vector_count();  
  40.   
  41. for (int i=0; i<c; i++)  
  42. {  
  43.     const float* v = SVM.get_support_vector(i);  
  44. }  

 

实验代码1：颜色分类

[cpp]  view plain copy print ?
  1. //利用SVM解决2维空间向量的3级分类问题      
  2. #include "stdafx.h"      
  3. #include "cv.h"      
  4. #include "highgui.h"             
  5. #include <ML.H>      
  6. #include <TIME.H>      
  7.      
  8. #include <CTYPE.H>      
  9.     
  10. #include <IOSTREAM>      
  11. using namespace std;     
  12. int main(int argc, char **argv)     
  13. {     
  14.         int size = 400;         //图像的长度和宽度      
  15.         const int s = 1000;          //试验点个数（可更改！！）      
  16.         int i, j, sv_num;     
  17.         IplImage *img;     
  18.         CvSVM svm = CvSVM();    //★★★      
  19.         CvSVMParams param;     
  20.         CvTermCriteria criteria;//停止迭代的标准      
  21.         CvRNG rng = cvRNG(time(NULL));     
  22.         CvPoint pts[s];         //定义1000个点      
  23.         float data[s*2];        //点的坐标      
  24.         int res[s];             //点的所属类      
  25.         CvMat data_mat, res_mat;     
  26.         CvScalar rcolor;     
  27.         const float *support;     
  28.         // (1)图像区域的确保和初始化      
  29.         img= cvCreateImage(cvSize(size, size), IPL_DEPTH_8U, 3);     
  30.         cvZero(img);     
  31.         //确保画像区域，并清0(用黑色作初始化处理)。      
  32.          
  33.         // (2)学习数据的生成      
  34.         for (i= 0; i< s; i++) {     
  35.             pts[i].x= cvRandInt(&rng) % size;   //用随机整数赋值      
  36.             pts[i].y= cvRandInt(&rng) % size;     
  37.             if (pts[i].y> 50 * cos(pts[i].x* CV_PI/ 100) + 200) {     
  38.                 cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(255, 0, 0));     
  39.                 cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(255, 0, 0));     
  40.                 res[i] = 1;     
  41.             }     
  42.             else {     
  43.                 if (pts[i].x> 200) {     
  44.                     cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 255, 0));     
  45.                     cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 255, 0));     
  46.                     res[i] = 2;     
  47.                 }     
  48.                 else {     
  49.                     cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), CV_RGB(0, 0, 255));     
  50.                     cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), CV_RGB(0, 0, 255));     
  51.                     res[i] = 3;     
  52.                 }     
  53.             }     
  54.         }     
  55.         //生成2维随机训练数据，并将其值放在CvPoint数据类型的数组pts[ ]中。      
  56.          
  57.         // (3)学习数据的显示      
  58.         cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE);     
  59.         cvShowImage("SVM", img);     
  60.         cvWaitKey(0);     
  61.          
  62.         // (4)学习参数的生成      
  63.         for (i= 0; i< s; i++) {     
  64.             data[i* 2] = float (pts[i].x) / size;     
  65.             data[i* 2 + 1] = float (pts[i].y) / size;     
  66.         }     
  67.         cvInitMatHeader(&data_mat, s, 2, CV_32FC1, data);     
  68.         cvInitMatHeader(&res_mat, s, 1, CV_32SC1, res);     
  69.         criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON);     
  70.         param= CvSVMParams (CvSVM::C_SVC, CvSVM::RBF, 10.0, 8.0, 1.0, 10.0, 0.5, 0.1, NULL, criteria);     
  71.         /*   
  72.             SVM种类：CvSVM::C_SVC   
  73.             Kernel的种类：CvSVM::RBF   
  74.             degree：10.0（此次不使用）   
  75.             gamma：8.0   
  76.             coef0：1.0（此次不使用）   
  77.             C：10.0   
  78.             nu：0.5（此次不使用）   
  79.             p：0.1（此次不使用）   
  80.             然后对训练数据正规化处理，并放在CvMat型的数组里。   
  81.                                                                 */     
  82.          
  83.          
  84.         //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆      
  85.         svm.train(&data_mat, &res_mat, NULL, NULL, param);//☆      
  86.         //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆          
  87.          
  88.         // (6)学习结果的绘图      
  89.         for (i= 0; i< size; i++) {     
  90.             for (j= 0; j< size; j++) {     
  91.                 CvMat m;     
  92.                 float ret = 0.0;     
  93.                 float a[] = { float (j) / size, float (i) / size };     
  94.                 cvInitMatHeader(&m, 1, 2, CV_32FC1, a);     
  95.                 ret= svm.predict(&m);     
  96.                 switch ((int) ret) {     
  97.                     case 1:     
  98.                         rcolor= CV_RGB(100, 0, 0);     
  99.                         break;     
  100.                     case 2:     
  101.                         rcolor= CV_RGB(0, 100, 0);     
  102.                         break;     
  103.                     case 3:     
  104.                         rcolor= CV_RGB(0, 0, 100);     
  105.                         break;     
  106.                 }     
  107.                 cvSet2D(img, i, j, rcolor);     
  108.             }     
  109.         }     
  110.         //为了显示学习结果，通过输入图像区域的所有像素(特征向量)并进行分类。然后对输入像素用所属等级的颜色绘图。      
  111.          
  112.         // (7)训练数据的再绘制      
  113.         for (i= 0; i< s; i++) {     
  114.             CvScalar rcolor;     
  115.             switch (res[i]) {     
  116.                 case 1:     
  117.                     rcolor= CV_RGB(255, 0, 0);     
  118.                     break;     
  119.                 case 2:     
  120.                     rcolor= CV_RGB(0, 255, 0);     
  121.                     break;     
  122.                 case 3:     
  123.                     rcolor= CV_RGB(0, 0, 255);     
  124.                     break;     
  125.             }     
  126.             cvLine(img, cvPoint(pts[i].x- 2, pts[i].y- 2), cvPoint(pts[i].x+ 2, pts[i].y+ 2), rcolor);     
  127.             cvLine(img, cvPoint(pts[i].x+ 2, pts[i].y- 2), cvPoint(pts[i].x- 2, pts[i].y+ 2), rcolor);     
  128.         }     
  129.         //将训练数据在结果图像上重复的绘制出来。      
  130.          
  131.         // (8)支持向量的绘制      
  132.         sv_num= svm.get_support_vector_count();     
  133.         for (i= 0; i< sv_num; i++) {     
  134.             support = svm.get_support_vector(i);     
  135.             cvCircle(img, cvPoint((int) (support[0] * size), (int) (support[1] * size)), 5, CV_RGB(200, 200, 200));     
  136.         }     
  137.         //用白色的圆圈对支持向量作标记。      
  138.          
  139.         // (9)图像的显示       
  140.         cvNamedWindow("SVM", CV_WINDOW_AUTOSIZE);     
  141.         cvShowImage("SVM", img);     
  142.         cvWaitKey(0);     
  143.         cvDestroyWindow("SVM");     
  144.         cvReleaseImage(&img);     
  145.         return 0;     
  146.         //显示实际处理结果的图像，直到某个键被按下为止。      
  147.     }    


实验代码2：用MIT人脸库检测，效果实在不好，检测结果全是人脸或者全都不是人脸。原因应该是图像检测没有做好应该用HoG等特征首先检测，在进行分类训练，不特征不明显，肯定分类效果并不好。

[cpp]  view plain copy print ?
  1. //  
  2. // File Name: pjSVM.cpp  
  3. // Author:   easyfov(easyfov@gmail.com)  
  4. // Company: Lida Optical and Electronic Co.,Ltd.  
  5. //http://apps.hi.baidu.com/share/detail/32719017  
  6. //  
  7.   
  8. #include <cv.h>  
  9. #include <highgui.h>  
  10. #include <ml.h>  
  11.   
  12. #include <iostream>  
  13. #include <fstream>  
  14. #include <string>  
  15. #include <vector>  
  16. using namespace std;  
  17.   
  18. #define WIDTH 20  
  19. #define HEIGHT 20  
  20.   
  21. int main( /*int argc, char** argv*/ )  
  22. {  
  23.     vector<string> img_path;  
  24.     vector<int> img_catg;  
  25.     int nLine = 0;  
  26.     string buf;  
  27.     ifstream svm_data( "E:/SVM_DATA.txt" );  
  28.   
  29.     while( svm_data )  
  30.     {  
  31.         if( getline( svm_data, buf ) )  
  32.         {  
  33.             nLine ++;  
  34.             if( nLine % 2 == 0 )  
  35.             {  
  36.                  img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，标志（0,1）  
  37.             }  
  38.             else  
  39.             {  
  40.                 img_path.push_back( buf );//图像路径  
  41.             }  
  42.         }  
  43.     }  
  44.     svm_data.close();//关闭文件  
  45.   
  46.     CvMat *data_mat, *res_mat;  
  47.     int nImgNum = nLine / 2;            //读入样本数量  
  48.     样本矩阵，nImgNum：横坐标是样本数量， WIDTH * HEIGHT：样本特征向量，即图像大小  
  49.     data_mat = cvCreateMat( nImgNum, WIDTH * HEIGHT, CV_32FC1 );  
  50.     cvSetZero( data_mat );  
  51.     //类型矩阵,存储每个样本的类型标志  
  52.     res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );  
  53.     cvSetZero( res_mat );  
  54.   
  55.     IplImage *srcImg, *sampleImg;  
  56.     float b;  
  57.     DWORD n;  
  58.   
  59.     for( string::size_type i = 0; i != img_path.size(); i++ )  
  60.     {  
  61.        srcImg = cvLoadImage( img_path[i].c_str(), CV_LOAD_IMAGE_GRAYSCALE );  
  62.        if( srcImg == NULL )  
  63.        {  
  64.             cout<<" can not load the image: "<<img_path[i].c_str()<<endl;  
  65.             continue;  
  66.        }  
  67.   
  68.        cout<<" processing "<<img_path[i].c_str()<<endl;  
  69.   
  70.        sampleImg = cvCreateImage( cvSize( WIDTH, HEIGHT ), IPL_DEPTH_8U, 1 );//样本大小（WIDTH, HEIGHT）  
  71.        cvResize( srcImg, sampleImg );//改变图像大小  
  72.   
  73.        cvSmooth( sampleImg, sampleImg );    //降噪  
  74.        //生成训练数据  
  75.        n = 0;  
  76.         for( int ii = 0; ii < sampleImg->height; ii++ )  
  77.         {  
  78.             for( int jj = 0; jj < sampleImg->width; jj++, n++ )  
  79.             {  
  80.                  b = (float)((int)((uchar)( sampleImg->imageData + sampleImg->widthStep * ii + jj )) / 255.0 );  
  81.                  cvmSet( data_mat, (int)i, n, b );  
  82.             }  
  83.         }  
  84.         cvmSet( res_mat, i, 0, img_catg[i] );  
  85.         cout<<" end processing "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;  
  86.     }  
  87.   
  88.   
  89.     CvSVM svm = CvSVM();  
  90.     CvSVMParams param;  
  91.     CvTermCriteria criteria;  
  92.     criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );  
  93.     param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );  
  94.      /*   
  95.             SVM种类：CvSVM::C_SVC   
  96.             Kernel的种类：CvSVM::RBF   
  97.             degree：10.0（此次不使用）   
  98.             gamma：8.0   
  99.             coef0：1.0（此次不使用）   
  100.             C：10.0   
  101.             nu：0.5（此次不使用）   
  102.             p：0.1（此次不使用）   
  103.             然后对训练数据正规化处理，并放在CvMat型的数组里。   
  104.                                                                 */     
  105.     //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆      
  106.     svm.train( data_mat, res_mat, NULL, NULL, param );  
  107.     //☆☆利用训练数据和确定的学习参数,进行SVM学习☆☆☆☆  
  108.     svm.save( "SVM_DATA.xml" );  
  109.   
  110.   
  111.     //检测样本  
  112.     IplImage *tst, *tst_tmp;  
  113.     vector<string> img_tst_path;  
  114.     ifstream img_tst( "E:/SVM_TEST.txt" );  
  115.     while( img_tst )  
  116.     {  
  117.         if( getline( img_tst, buf ) )  
  118.         {  
  119.             img_tst_path.push_back( buf );  
  120.         }  
  121.     }  
  122.     img_tst.close();  
  123.   
  124.     CvMat *tst_mat = cvCreateMat( 1, WIDTH*HEIGHT, CV_32FC1 );  
  125.     char line[512];  
  126.     ofstream predict_txt( "SVM_PREDICT.txt" );  
  127.     for( string::size_type j = 0; j != img_tst_path.size(); j++ )  
  128.     {  
  129.         tst = cvLoadImage( img_tst_path[j].c_str(), CV_LOAD_IMAGE_GRAYSCALE );  
  130.         if( tst == NULL )  
  131.         {  
  132.              cout<<" can not load the image: "<<img_tst_path[j].c_str()<<endl;  
  133.                continue;  
  134.    }  
  135.    tst_tmp = cvCreateImage( cvSize( WIDTH, HEIGHT ), IPL_DEPTH_8U, 1 );  
  136.    cvResize( tst, tst_tmp );  
  137.    cvSmooth( tst_tmp, tst_tmp );  
  138.    n = 0;  
  139.    for(int ii = 0; ii < tst_tmp->height; ii++ )  
  140.    {  
  141.      for(int jj = 0; jj < tst_tmp->width; jj++, n++ )  
  142.      {  
  143.          b = (float)(((int)((uchar)tst_tmp->imageData+tst_tmp->widthStep*ii+jj))/255.0);  
  144.          cvmSet( tst_mat, 0, n, (double)b );  
  145.      }  
  146.    }  
  147.   
  148.    int ret = svm.predict( tst_mat );  
  149.    sprintf( line, "%s %d\r\n", img_tst_path[j].c_str(), ret );  
  150.    predict_txt<<line;  
  151. }  
  152. predict_txt.close();  
  153.   
  154. cvReleaseImage( &srcImg );  
  155. cvReleaseImage( &sampleImg );  
  156. cvReleaseImage( &tst );  
  157. cvReleaseImage( &tst_tmp );  
  158. cvReleaseMat( &data_mat );  
  159. cvReleaseMat( &res_mat );  
  160.   
  161. return 0;  
  162. }  


其中

G:/program/pjSVM/face/1.png
0
G:/program/pjSVM/face/2.png
0
G:/program/pjSVM/face/3.png
0
G:/program/pjSVM/face/4.png
0
G:/program/pjSVM/face/5.png
0
G:/program/pjSVM/face/6.png
0
G:/program/pjSVM/face/7.png
0
G:/program/pjSVM/face/8.png
0
G:/program/pjSVM/face/9.png
0
G:/program/pjSVM/face/10.png
0
G:/program/pjSVM/face/11.png
0
G:/program/pjSVM/face/12.png
0
G:/program/pjSVM/face/13.png
0
G:/program/pjSVM/face/14.png
0
G:/program/pjSVM/face/15.png
1
G:/program/pjSVM/face/16.png
1
G:/program/pjSVM/face/17.png
1
G:/program/pjSVM/face/18.png
1
G:/program/pjSVM/face/19.png
1
G:/program/pjSVM/face/20.png
1
G:/program/pjSVM/face/21.png
1
G:/program/pjSVM/face/22.png
1
G:/program/pjSVM/face/23.png
1
G:/program/pjSVM/face/24.png
1
G:/program/pjSVM/face/25.png
1
G:/program/pjSVM/face/26.png
1
G:/program/pjSVM/face/27.png
1
G:/program/pjSVM/face/28.png
1
G:/program/pjSVM/face/29.png
1
G:/program/pjSVM/face/30.png

1

SVM_TEST.txt中内容如下：

G:/program/pjSVM/try_face/5.png
G:/program/pjSVM/try_face/9.png
G:/program/pjSVM/try_face/11.png
G:/program/pjSVM/try_face/15.png
G:/program/pjSVM/try_face/2.png
G:/program/pjSVM/try_face/30.png
G:/program/pjSVM/try_face/17.png
G:/program/pjSVM/try_face/21.png
G:/program/pjSVM/try_face/24.png
G:/program/pjSVM/try_face/27.png

PS：txt操作简单方式：http://blog.csdn.net/lytwell/article/details/6029503

qq_2773878606
关注
专栏目录
OpenCV——SVM学习(一)
CSDN_dzh的博客
01-05 1167
1、SVM支持向量机的概念 SVM是一个分类器Support Vector Machines，定义为一个能够将不同类样本在样本空间分隔的超平面，即给定一些标记好的训练样本，SVM算法输出一个最优化的分隔超平面。 2、初步学习 2.1理解SVM 参考自 http://blog.csdn.net/c406495762/article/details/78072313 http://bl
OpenCV - SVM算法原理实现以及SVM图像分割
青山渺渺
04-17 4448
支持向量机的原理这里也就不阐述了，我也不太会。我大概的理解就是和KNN一样是个分类器，可以想象以下，两类样本点可以用很多条线分开，但是那一条是最优呢？支持向量机中利用支持向量（可能是样本中的几个点，具体怎么取这个向量不需要我们考虑），然后计算支持向量到分割线的距离，距离最大的那条分界线那就是最优分类了。所以SVM中用的是间隔最大化思想。 参数设置 支持向量机只有一成为一个很强的算法，是因为它能...
OPENCV svm检测算法
chengyangyy的专栏
01-19 911
#include "opencv2/highgui/highgui.hpp" #include "opencv2/imgproc/imgproc.hpp" #include "opencv2/ml/ml.hpp" #include using namespace cv; using namespace std; void drawCross(Mat &img, Point center, Sca
OpenCV2.4.9源码分析——Support Vector Machines
赵春江的专栏
05-02 1万+
引言 本文共分为三个部分，第一个部分介绍SVM的原理，我们全面介绍了5中常用的SVM算法：C-SVC、ν-SVC、单类SVM、ε-SVR和ν-SVR，其中C-SVC和ν-SVC不仅介绍了处理两类分类问题的情况，还介绍处理多类问题的情况。在具体求解SVM过程中，我们介绍了SMO算法和广义SMO算法。第二个部分我们给出了OpenCV中SVM程序的详细注解。第三个部分我们给出了一个基于OpenCV的S
opencv svm
勇往直前
12-12 259
参数类型svm_typeCvSVM::C_SVC : C类支持向量分类机。 n类分组 (n≥2)，允许用异常值惩罚因子C进行不完全分类。 CvSVM::NU_SVC : 类支持向量分类机。n类似然不完全分类的分类器。参数为取代C（其值在区间【0，1】中，nu越大，决策边界越平滑）。 CvSVM::ONE_CLASS : 单分类器，所有的训练数据提取自同一个类里，然后SVM建立了一个分界线以分割该类
CV_SVM.rar_cv-svm_cv——svm_opencv SVM_svm opencv_支持向量机 C
09-19
支持向量机（SVM，Support Vector Machine）是一种在机器学习领域广泛应用的监督学习模型，尤其在分类和回归任务中表现出色。OpenCV是一个开源的计算机视觉库，它也提供了SVM的接口，使得开发者可以方便地在C++中...
OpenCV机器学习——支持向量机SVM
01-27
OpenCV中集成了多种机器学习算法供我们方便使用，如果我们要训练数据进行分类，不用自己写分类器，只需要调用相应的库和类即可轻松实现。本文重点不在于介绍机器学习原理及数学推导，着重介绍OpenCV中的机器学习相关...
实验报告——SVM手写数字识别实现
01-22
"实验报告——SVM手写数字识别实现" 通过本实验，我们了解了支持向量机（SVM）在手写数字识别中的应用。SVM是一种二分类模型，在线性可分情况下，在原空间寻找两类样本的最优分类超平面。在线性不可分的情况下，...
opencv使用svm
热门推荐
q123456789098的专栏
05-20 1万+
OpenCV开发SVM算法是基于LibSVM软件包开发的，LibSVM是台湾大学林智仁(LinChih-Jen)等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。用OpenCV使用SVM算法的大概流程是 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svm_type
OpenCv使用SVM
qiao1043的专栏
05-15 811
参考http://guyvercz.blog.163.com/blog/static/252545292011112974915402/ 用OpenCV使用SVM算法的大概流程是  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类实现类中的成员变量svm_type表示SVM类型： CvSVM：：
OpenCV中的SVM（支持向量机）训练及识别代码
岁禾星涣的博客
08-01 2196
见： https://dwz.cn/BvkG3CeN 例子（这个是OpenCV2的），结合（这个是OpenCV3）：http://t.cn/AiTUFdzf http://t.cn/AiTPAEOd（讲参数） 下面是所有可能出现的问题所要解决的网址： opencv3.0 SVM::Params中Params不识别问题：http://t.cn/AiT4LKJR OpenCV3：https://dwz.cn/yAIavpWi 讲解参数：https://livezingy.com/svm-in-opencv3-1
机器学习系列十二：支持向量机(SVM)
qq_36086861的博客
01-16 927
一、算法原理 支持向量机是最大化分类间隔的线性分类器，使用核函数可以解决非线性问题。 1.数学建模 (1)决策面方程 (2)分类间隔方程 (3)约束条件 (4)线性SVM优化问题描述 (5)拉格朗日函数 (6)KKT条件 (7)对偶问题求解 (8)SMO算法 2.松弛向量与软间隔最大化 3.核函数 4.多类分类之SVM 关于SVM的原理，已经有很多优秀的博客，不再重复造...
SVM训练代码
qq_38799806的博客
06-25 1003
svm训练
opencv svm训练java_OpenCV 中使用SVM
weixin_35574537的博客
02-28 746
分类器分类器是一种计算机程序。他的设计目标是在通过学习后，可自动将数据分到已知类别。平面线性分类器一个简单的分类问题，如图有一些圆圈和一些正方形，如何找一条最优的直线将他们分开？我们可以找到很多种方法画出这条直线，但怎样的直线才是最优的呢？距离样本太近的直线不是最优的，因为这样的直线对噪声敏感度高，泛化性较差。 因此我们的目标是找到一条直线，离最近的点距离最远。怎么寻找距离最远的直线？枚举所有直线...
基于opencv的SVM车牌号码识别模型训练（C++）QT
qq_15985873的博客
05-25 5087
车牌号码识别的SVM模型训练，包括前期准备，HOG特性计算的具体步骤，以及该过程中需要注意的事项，总结SVM模型训练参数设置要求，包括数据集、数据标签、类型选择、核函数特征等。
python(opencv) SVM 测试使用
Msyusheng的博客
12-31 3185
（SVM简单的编写） 编辑器环境：VsCode , Pycharm 所需要的文件： 正样本文件件（存放正样本图片-需要train 的图片） 负样本文件夹（存放负样本的图片） 测试文件夹（测试图片的存放） 训练的图片最好使用灰度后的二值化图像，跟家好的效果 将正负样本放到同一个 samples 和labels里面，使用SVM train 去训练图片。 注意正负样本的大小需要一致。 import os import cv2 import numpy as np def date_load():
现在才发现zh.wikipedia.org可以访问了!
丑鑫鑫
11-11 4269
现在才发现zh.wikipedia.org可以访问了! :)
opencv3.0 SVM::Params中Params不识别问题
qq_29762941的博客
03-28 3996
设置设置支持向量机的参数（Set up SVM's parameters）改为如下:          cv::Ptr&lt;cv::ml::SVM&gt; svm = cv::ml::SVM::create(); svm-&gt;setType(cv::ml::SVM::Types::C_SVC); svm-&gt;setKernel(cv::ml::SVM::KernelTypes::LIN...
掌握SVM分类器配置与应用——opencv实现教程
资源摘要信息: "本资源为...综上所述，本资源不仅提供了SVM和OpenCV的基本介绍，还通过具体的实例展示了SVM分类器从配置、训练到应用的全过程，对于希望学习和应用SVM分类器的初学者来说，是一份非常有价值的参考资料。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值