Fastcv——机器学习SVM初识

      SVM是一种常用的机器学习算法，在人工智能、模式识别、图像识别等领域有着非常广泛的应用，本节将结合FastCV库提供的fcvSVMPredict2Classf32机器学习函数API，对SVM原理及用法进行介绍，为后续大家在使用FastCV进行图像识别类的应用开发提供参考。

     一、FastCV简介  

     FastCV是Qualcomm公司开发提供的专注于移动平台的计算机视觉库（Computer vision library），该库针对ARM平台进行设计，并且针对Qualcomm处理器进行了优化，相对于Opencv和JavaCv其性能有了大幅度的提高，非常适合移动设备各种图像处理，如三维重建、目标跟踪、人脸识别等。

     FastCV提供的API结构如下图1所示，根据其提供的功能分类主要包括数学/适量运算、图像处理、图像变换、特征检测、对象检测、三维重建、色彩转换、聚类和搜索、运动和对象跟踪、形状和绘图、内存管理和SVM机器学习13个部分，通过fastcv提供的这些API接口你可以方便的完成各种图像处理应用的设计。极大的简化的设计过程，提高程序的稳定性和可靠性。后续将针对fastcv提供的SVM机器学习进行详细介绍。

       图1  fastCV功能结构

        二、SVM机器学习基本原理

          支持向量机，因其英文名为support vector machine，故一般简称SVM，通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。具体的SVM的原理是非常深奥的，其涉及到的数学理论非常多，并且通常还需要涉及到多维空间，从存粹的数学理论很难理解SVM的基本原理，并且介绍SVM的数学原理的内容也非常多（如http://www.dataguru.cn/thread-371987-1-1.html就对SVM的原理进行了详细介绍），这里将通过一个经典的SVM分类例子来向大家介绍SVM的基本原理。

         假设现在你是一个农场主，圈养了一批羊群，但为预防狼群袭击羊群，你需要搭建一个篱笆来把羊群围起来。但是篱笆应该建在哪里呢？你很可能需要依据牛群和狼群的位置建立一个“分类器”，比较下图这几种不同的分类器，我们可以看到SVM完成了一个很完美的解决方案，如下图2所示，这就是景点的SVM分类原理。

图2 农场主搭建篱笆SVM经典例子示意图

         三、fastCV中SVM接口参数解析

         在fastCV中提供了SVM方法调用API接口，通过调用该接口可以方便的实现SVM学习功能，起API函数原型如下：

          FASTCV_API fcvStatus fcvSVMPredict2Classf32(fcvSVMKernelType kernelType,
                                                                                         uint32_tdegree,
                                                                                         float32_tgamma,
                                                                                         float32_tcoef0,
                                                                                         const float32_t *__restrictsv,
                                                                                         uint32_tsvLen,
                                                                                         uint32_tsvNum,
                                                                                         uint32_tsvStride,
                                                                                         const float32_t *__restrictsvCoef,
                                                                                         float32_trho,
                                                                                         const float32_t *__restrictvec,
                                                                                         uint32_tvecNum,
                                                                                         uint32_tvecStride,
                                                                                         float32_t *__restrictconfidence 
                                                                                        )

           该函数返回通过SVM学习策略计算得到的当前样本的置信度，其计算公式如下（同时该值还可以通过libSVM和OpenCV提供的SVM训练得到）：

                                                                                       confidence(i) = sum_j( svCoef[j] * Kernel(vec_i, sv_j) - rho;

         为了学会调用该函数，就需要了解上述函数的各个参数的意义及具体的设置方法，以下是上述参数的意义和设置方法总结：

         kernelType:核函数类型这里可以选择 'FASTCV_SVM_LINEAR','FASTCV_SVM_POLY','FASTCV_SVM_RBF','FASTCV_SVM_SIGMOID'等；
         degree： 设置核函数的深度，为整数，通常设置为3； 
         gamma：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)(默认1/ k)；
         coef0：核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)；
         sv ：支持特征向量；
         svLen： 特征长度, (support vector length = feature length).
         svNum： 支持特征向量个数
         svStride：支持向量跨度 ；
         svCoef： sv系数，长度设置为sv个数 ；
         rho SVM 偏置参数；
        vec 检测向量；
       vecNum 检测向量个数；
       vecStride 监测向量跨度；
       以上就是fastCV中提供的SVM接口介绍，在后续章节将进一步结合图像处理，来带大家用SVM来实现相关的分类和图片识别，大家如果想进一步了解更多的关于fastcv库的内容可以访问Qualcomm的https://developer.qualcomm.com/docs/fastcv/api/index.html网站查阅更多信息。