opencv中svm的使用－lsx121924的部落格

转自：http://blog.csdn.net/yang_xian521/article/details/6969904

有删改。

更详细的内容请见：

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html

OpenCV开发SVM算法是基于LibSVM软件包开发的，LibSVM是台湾大学林智仁(Lin
Chih-Jen)等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。用OpenCV使用SVM算法的大概流程是

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svm_type表示SVM类型：

CvSVM：：C_SVC
C-SVC

CvSVM：：NU_SVC v-SVC

CvSVM：：ONE_CLASS 一类SVM

CvSVM：：EPS_SVR e-SVR

CvSVM：：NU_SVR v-SVR

成员变量kernel_type表示核函数的类型：

CvSVM：：LINEAR 线性：u‘v

CvSVM：：POLY 多项式：(r*u'v +
coef0)^degree

CvSVM：：RBF RBF函数：exp(-r|u-v|^2)

CvSVM：：SIGMOID sigmoid函数：tanh(r*u'v +
coef0)

成员变量degree针对多项式核函数degree的设置，gamma针对多项式/rbf/sigmoid核函数的设置，coef0针对多项式/sigmoid核函数的设置，Cvalue为损失函数，在C-SVC、e-SVR、v-SVR中有效，nu设置v-SVC、一类SVM和v-SVR参数，p为设置e-SVR中损失函数的值，class_weightsC_SVC的权重，term_crit为SVM训练过程的终止条件。其中默认值degree
= 0，gamma = 1，coef0 = 0，Cvalue = 1，nu = 0，p = 0，class_weights =
0

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。

实现代码如下：

[cpp] view plaincopy

// step 1:  

float labels[4] = {1.0, -1.0, -1.0, -1.0};  

Mat labelsMat(3, 1, CV_32FC1, labels);  

float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };  

Mat trainingDataMat(3, 2, CV_32FC1, trainingData);  

// step 2:  

CvSVMParams params;  

params.svm_type = CvSVM::C_SVC;  

params.kernel_type = CvSVM::LINEAR;  

params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);  

// step 3:  

CvSVM SVM;  

SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);  

// step 4:  

Vec3b green(0, 255, 0), blue(255, 0, 0);  

for (int i=0; i

{  

    for (int j=0; j

    {  

        Mat sampleMat = (Mat_<<span

class="datatypes" style="margin: 0px; padding: 0px; border: none;

color: rgb(46, 139, 87); background-color: inherit; font-weight:

bold;">float>(1,2) << i,j);  

        float response = SVM.predict(sampleMat);  

        if (fabs(response-1.0) < 0.0001)  

        {  

            image.at(j, i) = green;  

        }  

        else if (fabs(response+1.0) < 0.001)  

        {  

            image.at(j, i) = blue;  

        }  

    }  

}  

// step 5:  

int c = SVM.get_support_vector_count();  

for (int i=0; i

{  

    const float* v = SVM.get_support_vector(i);  

}