OpenCV中的CvSVM使用方法

描述：opecv的线性分类器SVM使用简洁高效，这里列出其使用方法

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的表示

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。

小例子如下：

        

int main( int argc, char** argv )   {           bool  train_update = false;           int   train_sample_count = 100;          int   train_sample_size = 10;    //维度           CvMat  *data_mat = NULL;   //要训练的数据           CvMat  *class_mat = NULL;  //数据的类别            class_mat = cvCreateMat(train_sample_count, 1, CV_32FC1);           data_mat = cvCreateMat(train_sample_count, train_sample_size, CV_32FC1);         for(i = 0; i < train_sample_count; i++)          {                   class_mat->data.fl[ i] = value;    //assign the class or regression value                   for(j = 0; j < train_sample_size; j++)                      {                                data_mat->data.fl[i*train_sample_size+ j] = val;  //assing data sample value                      }          }               CvSVMParams svm_param;          svm_param.svm_type = CvSVM::NU_SVR;          svm_param.kernel_type = CvSVM::RBF;          svm_param.gamma = 1./train_sample_size;          svm_param.nu = 0.5;          svm_param.C = 8;          svm_param.term_crit.epsilon = 0.001;          svm_param.term_crit.max_iter = 50;          svm_param.term_crit.type = CV_TERMCRIT_ITER | CV_TERMCRIT_EPS;             CvSVM *tSvm = new CvSVM();          tSvm->train(data_mat, class_mat, 0, 0, svm_param);         tSvm->save("filename.xml", 0);         //For prediction          CvSVM *pSvm = new CvSVM();          pSvm->load("filename.xml", 0);            CvMat *sample = cvCreateMat(1, train_sample_size, CV_32FC1);          for(i = 0; i < train_sample_size; i++)         {                  sample->data.fl[i] = val ;//assign value         }           float pred = pSvm->predict(sample);         printf("n %.3f", pred); }

 

 附加：libSVM的使用总体思路：

1、提取正负样本hog特征

2、投入svm分类器训练，得到model

3、由model生成检测子

4、利用检测子检测负样本，得到hardexample

5、提取hardexample的hog特征并结合第一步中的特征一起投入训练，得到最终检测子。