滑动窗口的支持向量机（SVM）

（1）：滑动窗口：
滑动窗口顾名思义：用一个一直滑动的窗口（要比图像小），去检查图像。
举例：在人脸识别中，有detectmultiscale（）函数，第一个参数是图像，第二个便是滑动窗口的滑动比例：列入1.1就代表滑动从左到右滑动了%110个的单位。
非最大值抑制：
举例：假如图像中有一张人脸，那么你想：当这个会滑动的窗口从左到右一点点的经过人脸的时候，不就会得到一系列有同一张人脸的窗口吗（每次人脸在窗口的位置不同），那么将如何得到人脸在中心的那张图片呢？这时我们就要用到菲最大值抑制了，我们给这一系列具有相同人脸的窗口都定义同一个“评分”标准（具体评分标准我也不清楚，这篇文章就大概讲述一个几个专业术语的大意），其中对评分不是最大值的窗口进行抑制，那么评分为最大值（最完美的具有人脸的窗口）的那张图片便保留了下来。

（2）：支持向量机（SVM）：
支持向量机其实就是一种算法，它将图像的各个特征用向量的形式保存起来，并可以用超平面把图像的不同特征进行分割（注释1：超平面），实现这个作用有很多算法，这里我们只解释它的具体大意。

注释1：超平面：假如有一个篮球和一个排球并排正对的图像（二维空间），那么就会用一个二维平面（直线）把篮球与排球进行分割。那么在三维空间中呢？
就会用一个三维平面（即是平面）把其分割，在大于三维的呢？我们便同意统称为超平面。