标签：data tar for 支持向量机 creat response 机器学习 最大 ace
svm分类算法在opencv3中有了很大的变动，取消了CvSVMParams这个类，因此在参数设定上会有些改变。
opencv中的svm分类代码，来源于libsvm。
#include "opencv2/opencv.hpp" using namespace cv; using namespace cv::ml; int main(int, char**) { int width = 512, height = 512; Mat image = Mat::zeros(height, width, CV_8UC3); //创建窗口可视化 // 设置训练数据 int labels[10] = { 1, -1, 1, 1,-1,1,-1,1,-1,-1 }; Mat labelsMat(10, 1, CV_32SC1, labels); float trainingData[10][2] = { { 501, 150 }, { 255, 10 }, { 501, 255 }, { 10, 501 }, { 25, 80 }, { 150, 300 }, { 77, 200 } , { 300, 300 } , { 45, 250 } , { 200, 200 } }; Mat trainingDataMat(10, 2, CV_32FC1, trainingData); // 创建分类器并设置参数 Ptr<SVM> model =SVM::create(); model->setType(SVM::C_SVC); model->setKernel(SVM::LINEAR); //核函数 //设置训练数据 Ptr<TrainData> tData =TrainData::create(trainingDataMat, ROW_SAMPLE, labelsMat); // 训练分类器 model->train(tData); Vec3b green(0, 255, 0), blue(255, 0, 0); // Show the decision regions given by the SVM for (int i = 0; i < image.rows; ++i) for (int j = 0; j < image.cols; ++j) { Mat sampleMat = (Mat_<float>(1, 2) << j, i); //生成测试数据 float response = model->predict(sampleMat); //进行预测，返回1或-1 if (response == 1) image.at<Vec3b>(i, j) = green; else if (response == -1) image.at<Vec3b>(i, j) = blue; } // 显示训练数据 int thickness = -1; int lineType = 8; Scalar c1 = Scalar::all(0); //标记为1的显示成黑点 Scalar c2 = Scalar::all(255); //标记成-1的显示成白点 //绘图时，先宽后高，对应先列后行 for (int i = 0; i < labelsMat.rows; i++) { const float* v = trainingDataMat.ptr<float>(i); //取出每行的头指针 Point pt = Point((int)v[0], (int)v[1]); if (labels[i] == 1) circle(image, pt, 5, c1, thickness, lineType); else circle(image, pt, 5, c2, thickness, lineType); } imshow("SVM Simple Example", image); waitKey(0); }
结果：
如果只是简单的点分类，svm的参数设置就这么两行就行了，但如果是其它更为复杂的分类，则需要设置更多的参数。
Ptr<SVM> svm = SVM::create(); //创建一个分类器 svm->setType(SVM::C_SVC); //设置svm类型
由于opencv中的svm分类算法是根据libsvm改写而来的，libsvm是台湾一学者编写的matlab版本的svm算法，所以参数的设定的也大致相同。svm类型除了C_SVC之外，还有NU_SVC,ONE_CLASS,EPS_SVR,NU_SVR.
还有其它的参数，如
svm->setKernel(SVM::POLY); //设置核函数;
svm->setDegree(0.5);
svm->setGamma(1);
svm->setCoef0(1);
svm->setNu(0.5);
svm->setP(0);
svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS, 1000, 0.01));
svm->setC(C);
如果前面svm类型选择的不同，后面的参数设置也不同，具体的设置可以了解一下libsvm的参数设置。具体介绍可参照 ：libsvm参数说明
setTermCriteria是用来设置算法的终止条件， SVM训练的过程就是一个通过 迭代 方式解决约束条件下的二次优化问题，这里我们指定一个最大迭代次数和容许误差，以允许算法在适当的
条件下停止计算
标签：data tar for 支持向量机 creat response 机器学习 最大 ace
原文地址：http://www.cnblogs.com/ranjiewen/p/6067908.html
