【OpenCV3.3】SVM与字符分类示例

        SVM，全称Support Vector Machine，即支持向量机，是机器学习中常用的分类器(同样支持向量回归)，属监督式学习的一种。

        在二值分类中，SVM通过寻找一个 决策最优分类超平面 来尽可能地将两类样本分开(最大分类间隔)并作为分类的判据，以期得到较强的泛化能力，我们所指的训练(train)主要就是寻找这个超平面。如果你看过相关推导，会发现原本复杂的问题被一步步等价，引入拉格朗日继而巧妙的转到凸优化及对偶问题的求解上，数学的力量令人叹为观止。

        一般而言SVM是二值分类器，但是我们可以通过增加多个分类器来完成N分类，自然如何组织这些分类器也是一个优化问题。目前存在的多类判别方法有1-V-R、1-V-1、有向无环图(DAG-SVMS)、决策树方法、纠错输出编码法(ECOC)等。

        OpenCV的SVM实现基于LIBSVM v2.6，而目前 LIBSVM 的最新版本是3.22，所以如果你深度依赖于SVM，建议使用LIBSVM，相比OpenCV其无论从更新频度还是支持范围都有较大优势，值得注意的是两者还是有些细微差别，不能无缝迁移。

        下面是一个SVM字符分类示例:

#include "stdafx.h"
#define DATA_DIR "D:\\OpenCV\\bin\\toy_data\\"

//----------------------------------------------------