OpenCV 3.0中的SVM訓練 參數解析__svm

opencv3.0和2.4的SVM介面有不同，基本可以按照以下的格式來執行：

ml::SVM::Params params;params.svmType = ml::SVM::C_SVC;params.kernelType = ml::SVM::POLY;params.gamma = 3;Ptr<ml::SVM> svm = ml::SVM::create(params);Mat trainData; // 每行為一個樣本Mat labels;    svm->train( trainData , ml::ROW_SAMPLE , labels );// ...svm->save("....");//檔案形式為xml，可以儲存在txt或者xml檔案中Ptr<SVM> svm=statModel::load<SVM>("....");Mat query; // 輸入, 1個通道Mat res;   // 輸出svm->predict(query, res);

 但是要注意，如果報錯的話最好去看opencv3.0的文檔，裡面有函數原型和解釋，我在實際操作的過程中，也做了一些改動

　　 1）設定參數

　　　　SVM的參數有很多,但是與C_SVC和RBF有關的就只有gamma和C，所以設定這兩個就好，終止條件設定和預設一樣，由經驗可得（其實是查閱了很多的資料，把gamma設定成0.01，這樣訓練收斂速度會快很多）

Ptr<SVM> svm = SVM::create();svm->setType(SVM::C_SVC);svm->setKernel(SVM::RBF);svm->setGamma(0.01);svm->setC(10.0);svm->setTermCriteria(TermCriteria(CV_TERMCRIT_EPS, 1000,FLT_EPSILON));

　　svm_type –指定SVM的類型，下面是可能的取值：

　　CvSVM::C_SVC C類支援向量分類機。 n類分組 (n \geq 2)，允許用異常值懲罰因子C進行不完全分類。
　　CvSVM::NU_SVC \nu類支援向量分類機。n類似然不完全分類的分類器。參數為 \nu 取代C（其值在區間【0，1】中，nu越大，決策邊界越平滑）。
　　CvSVM::ONE_CLASS 單分類器，所有的訓練資料提取自同一個類裡，然後SVM建立了一個分界線以分割該類在特徵空間中所佔地區和其它類在特徵空間中所佔地區。
　　CvSVM::EPS_SVR \epsilon類支援向量迴歸機。訓練集中的特徵向量和擬合出來的超平面的距離需要小於p。異常值懲罰因子C被採用。
　　CvSVM::NU_SVR \nu類支援向量迴歸機。 \nu 代替了 p。

　　kernel_type –SVM的核心類型，下面是可能的取值：

　　CvSVM::LINEAR 線性核心。沒有任何向映射至高維空間，線性區分（或迴歸）在原始特徵空間中被完成，這是最快的選擇。K(x_i, x_j) = x_i^T x_j.
　　CvSVM::POLY 多項式核心： K(x_i, x_j) = (\gamma x_i^T x_j + coef0)^{degree}, \gamma > 0.
　　CvSVM::RBF 基於徑向的函數，對於大多數情況都是一個較好的選擇： K(x_i, x_j) = e^{-\gamma ||x_i - x_j||^2}, \gamma > 0.
　　CvSVM::SIGMOID Sigmoid函數核心：K(x_i, x_j) = \tanh(\gamma x_i^T x_j + coef0).

　　degree – 核心功能（POLY）的參數degree。

　　gamma – 核心功能（POLY/ RBF/ SIGMOID）的參數\gamma。

　　coef0 – 核心功能（POLY/ SIGMOID）的參數coef0。

　　Cvalue – SVM類型（C_SVC/ EPS_SVR/ NU_SVR）的參數C。

　　nu – SVM類型（NU_SVC/ ONE_CLASS/ NU_SVR）的參數 \nu。

　　p – SVM類型（EPS_SVR）的參數 \epsilon。

　　class_weights – C_SVC中的可選權重，賦給指定的類，乘以C以後變成 class\_weights_i * C。所以這些權重影響不同類別的錯誤分類懲罰項。權重越大，某一類別的誤分類資料的懲罰項就越大。

　　term_crit – SVM的迭代訓練過程的中止條件，解決部分受約束二次最優問題。您可以指定的公差和/或最大迭代次數。

2）訓練

Mat trainData;Mat labels;trainData = read_mnist_image(trainImage);labels = read_mnist_label(trainLabel);svm->train(trainData, ROW_SAMPLE, labels); 

3）儲存

svm->save("mnist_dataset/mnist_svm.xml");

3. 測試，比對結果

 （此處的FLT_EPSILON是一個極小的數，1.0 - FLT_EPSILON != 1.0）

Mat testData;Mat tLabel;testData = read_mnist_image(testImage);tLabel = read_mnist_label(testLabel);float count = 0;for (int i = 0; i < testData.rows; i++) {    Mat sample = testData.row(i);    float res = svm1->predict(sample);    res = std::abs(res - tLabel.at<unsigned int>(i, 0)) <= FLT_EPSILON ? 1.f : 0.f;    count += res;}cout << "正確的識別個數 count = " << count << endl;cout << "錯誤率為..." << (10000 - count + 0.0) / 10000 * 100.0 << "%....\n";

這裡沒有使用svm->predict(query, res);

然後就查看了opencv的文檔，當傳入資料是Mat 而不是cvMat時，可以利用predict的傳回值（float）來判斷預測是否正確。