OpenCV--SVM多分类问题
来源:互联网 发布:云服务器搭建sql serv 编辑:程序博客网 时间:2024/05/01 17:51
物体识别中经常遇到多分类器问题,svm是比较成熟和直接的想法。一般来说使用svm作为多分类器主要有以下思路:
一对多(one-vs-all)。训练时依次将目标类别作为正样本,其余样本作为负样本,以此训练n个svm。这个在Andrew Ng的Machine leaning的课上介绍过。
缺点:因为训练集是1:N的情况,存在较大的bias,不是特别实用。一对一(one-vs-one)。训练时,任意两类样本之间训练一个svm,则n类别,训练出(n-1)n/2个svm。在runtime时,对一个未知样本分类,则使用投票的法方法。libsvm即使用的该种方法。
缺点:类别多的时候,(n-1)n/2个支持向量机,计算代价大。层次支持向量机。首先将所有类别分类为两个子类,再将子类进一步划分为两个子类,直到单独子类为止。好像一棵树耶。具体请参考:刘志刚, 李德仁, 秦前清, 等. 支持向量机在多类分类问题中的推广[J]. 2004.
DAG-SVMS。由Platt提出的决策导向的循环图DDAG导出的,是针对“一对一”SVMS存在误分、拒分现象提出的。请参考论文
简单示例
#include <opencv2/core.hpp>#include <opencv2/imgproc.hpp>#include "opencv2/imgcodecs.hpp"#include <opencv2/highgui.hpp>#include <opencv2/ml.hpp>using namespace cv;using namespace cv::ml;Vec3b getRandomColor(){ RNG rng(clock()); return Vec3b(rng.next() % 255, rng.next() % 255, rng.next() % 255);}int main(int, char**){ // Data for visual representation int width = 512, height = 512; Mat image = Mat::zeros(height, width, CV_8UC3); // Set up training data int labels[4] = {1, 2, 3, 4}; float trainingData[4][2] = { {100, 10}, {10, 500}, {500, 10}, {500, 500} }; Mat trainingDataMat(4, 2, CV_32FC1, trainingData); Mat labelsMat(4, 1, CV_32SC1, labels); // Train the SVM //! [init] Ptr<SVM> svm = SVM::create(); svm->setType(SVM::C_SVC); svm->setKernel(SVM::POLY); svm->setDegree(1.0); svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6)); //! [init] //! [train]// svm->train(trainingDataMat, ROW_SAMPLE, labelsMat);// Ptr<TrainData> auto_train_data = TrainData::create(trainingDataMat, ROW_SAMPLE, labelsMat);// svm->trainAuto(auto_train_data); svm->train(trainingDataMat, ROW_SAMPLE, labelsMat); //! [train] // Show the decision regions given by the SVM //! [show] Vec3b green(0,255,0), blue (255,0,0), red(0,0,255),yellow(0,255,255); for (int i = 0; i < image.rows; ++i){ for (int j = 0; j < image.cols; ++j){ Mat sampleMat = (Mat_<float>(1,2) << j,i); float response = svm->predict(sampleMat); double ratio = 0.5; if (response == 1) image.at<Vec3b>(i,j) = green*ratio; else if (response == 2) image.at<Vec3b>(i,j) = blue*ratio; else if(response == 3){ image.at<Vec3b>(i,j) = red*ratio; }else if(response == 4){ image.at<Vec3b>(i,j) = yellow*ratio; } } } int thickness = -1; int lineType = 8; circle( image, Point(100, 10), 5, Scalar( 0,255,0), thickness, lineType ); circle( image, Point(10, 500), 5, Scalar(255,0,0), thickness, lineType ); circle( image, Point(500, 10), 5, Scalar(0,0,255), thickness, lineType ); circle( image, Point( 500, 500), 5, Scalar(0,255,255), thickness, lineType ); thickness = 2; lineType = 8; Mat sv = svm->getSupportVectors(); std::cout << sv << std::endl; for (int i = 0; i < sv.rows; ++i){ const float* v = sv.ptr<float>(i); circle( image, Point( (int) v[0], (int) v[1]), 6, CV_RGB(128, 128, 128), 2); } imwrite("result.png", image); // save the image imshow("SVM Simple Example", image); // show it to the user waitKey(0);}
效果:
注意点:
使用RBF核或者使用autotrain,参数选择十分重要。不行你试试哟!!!
0 0
- OpenCV--SVM多分类问题
- opencv svm 多分类问题
- OpenCV SVM多类分类问题编程示例
- opencv用SVM进行多类分类
- opencv用SVM进行多类分类
- openCV svm分类 基础
- opencv svm分类
- opencv-svm分类
- SVM多分类问题,解决方案
- opencv自带SVM非线性分类的小问题
- opencv中的SVM图像分类
- OpenCV实现SVM分类器
- HSSVM求解SVM多分类问题
- svm的多类分类问题
- SVM如何解决多分类问题
- SVM解决多分类问题的方法
- SVM+HOG对图像进行多分类(OpenCV实现)
- OpenCV中的HOG+SVM物体分类
- mysql中的触发器
- 快速排序、堆排序、归并排序
- RabbitMQ
- 浅析Java中Map与HashMap,Hashtable,HashSet的区别
- 开始学习深度学习和循环神经网络Some starting points for deep learning and RNNs
- OpenCV--SVM多分类问题
- WaitForSingleObject函数的使用
- FMDB
- c++作业2-分段函数求值,两点距离,模拟ATM
- android 关于跳转系统设置页面
- ASP VBscript使用逻辑运算中的 and or
- 04-树4 是否同一棵二叉搜索树 (25分)
- 为什么mysql用B-树
- U3D HTTP 最好用的插件BestHttp