【OpenCV学习笔记】【教程翻译】四（车牌检测之SVM分类）

分类：

     之前我们对图像进行了预处理并分割出了图像中含有车牌的可能区域。现在我们每个区域是否是车牌。要做到这点，我们使用了支持向量机算法（SVM）Support Vector Machine。

     支持向量机是一种模式识别算法，它是监督学习算法的一种，最初用于二分类问题。

监督学习是通过已标记的数据进行学习的机器学习算法。我们需要通过大量的已经标记的数据训练算法。每个数据集（set）需要一个类。

     支持向量机创造一个或者多个超平面（hyperplane）来区分不同的类。

      一个经典的例子就是利用二维的点集定义两个类，支持向量机寻找区分两个类的最优路线。

    任何分类操作之前都需要训练分类器，这项工作可以在主要任务开始之前完成，也被叫做离线训练。这不是一项简单的工作，（原因有两个）1.因为它需要大量的数据来训练这个系统，2.但是更大的数据集并不意味着更好的训练效果。对于我们这种情况，我们没有足够的数据因为没有公开的车牌照数据库。正因为如此，我们需要拍数百张车的图片，然后预处理并对所有的图像进行分割。

    我们用75张有车牌照图片和35张没有车牌照的图片对系统进行训练，这些相片的大小为144*33.这些图像中的一部分在下面图中有显示。这个数据库并不是很大，这足以产生我满足我们要求的相当好的结果。在实际的应用中，我们需要用更多的数据进行训练。

      为了更好地理解机器学习的过程我们使用图像的像素作为分类器的特征（记住，有其他的更好的特征来训练SVM，例如主成分分析（Principal Components Analysis）,傅里叶变换，文理分析（texture analysis）等等。

     我们需要制作图片使用DetectRegions类来训练我们的系统，设置savingRegion变量来实现保存图片。我们可以使用segmentAllfile.sh bash 脚本对目录下的所有图片文件重复刚才处理，脚本可以从书的源代码中看到。

     为了简单起见，我们存储所有处理得到的图像训练数据在XML文件当中，方便SVM函数直接使用。trainSVM.cpp根据文件夹和图片文件的数量生成了这个文件。

     机器学习的OpenCV算法的训练数据被存储到N*M的矩阵中，N个样本，M个特征。训练矩阵中的，每个数据集是按照行进行保存的。

     类是存储在另一个矩阵中，大小为N*1,这里每个类由一个浮点数确定。

     OpenCV可以通过FileStorage类，非常简单就能实现对XML或者JSON格式的数据文件的管理。这个类可以让我们存储、读取OpenCV的变量、结构体或者我们的成员变量。利用这个函数，我们可以读取训练数据的矩阵和训练类，并将它们保存到SVM_TrainingData和SVM_Classes:

     现在我们需要设置SVM算法中的参数，我们使用CvSVMParams结构来定义它。它是一种作用于训练数据的映射关系，将训练数据中相似的转变为线性可分的数据集。映射主要提升了数据的维数，实现主要通过有效的使用核函数。这里我们选择CvSVM:LINEAR类型，意味着不做映射。

我们设计并训练我们的分类器，OpenCV在支持向量机算法中定义了CvSVM类，我们通过训练数据、类、参数对其进行初始化。

    我们的分类器通过使用SVM类中predict函数来预测。可能的裁剪后的图像。这个函数返回一个类标示符i。在我们这个例子中，我们标记车牌类为1，没有车牌类为0。每个被检测到的区域都有可能是车牌，我们使用SVM算法来确定它是不是车牌，然后保存正确的响应。

下面的代码是主应用代码的一部分，这部分是所谓在线处理。