svm分类器_HALCON高级篇：SVM理论

支持向量机(SVM)

另一个可以处理非线性可分的分类方法是支持向量机(SVM)。这里，不是非线性超平面被获得，但是将特征空间转化到一个更高维的空间中，进而特征变得线性可分。然后，特征向量可以用线性分类器被分类。

下图中，在2D特征空间中的两类用黑白方块分别来表示。在2D特征空间中，没有一条线可以将两个类分开。当通过变形Feature1和Feature2建立的平面，添加第三个维度，类就就可以通过一个平面变得可分了。

分割两类(黑白方块)：(左)在2D特征空间中，类不能被一条直线分开，(右)通过添加维度，类变得线性可分了。

对于SVM，为了避免维数灾难，不是特征而是一个内核被转变。挑战性的工作就是去找到一个合适的内核去转变特征空间到更高维，进而使得黑方块上升，白色方块保持在原有的空间中9或者至少保持在所添加维度坐标轴的另一个值得范围内)，通用的核函数有如非齐次多项式核函数或者高斯径向基核函数。

用SVM，两类的可分超平面的构建是让两类的间隔距离要尽可能的大。间隔被定义为可分超平面和任何训练样本之间的最近距离。即，几种可能的可分超平面被测试，拥有最大间隔的表面被选择。来自两个类中，有这距离超平面最近距离的训练杨蓓被称为‘支持向量’，如下图所示;

具有到超平面最近距离的特征向量，即支持向量

从本质上来说，SVM仅可以处理两类问题。两种方法可将SVM拓展为多类问题：第一种方法是，成对的类被建立，并且对于每一对，二元的分类器被创立。然后，赢得大多数比较的类是最适合的类别。第二种方法，每一个类去同其他的训练数据剩余去比较，然后具有到超平面最大距离的类别被选择。

SVM对于一般特征的分类，图像分割和OCR是起作用的。