OpenCv使用SVM
2013-05-15 15:34
507 查看
参考http://guyvercz.blog.163.com/blog/static/252545292011112974915402/
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类实现类中的成员变量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。
#include <cv.h>
#include <highgui.h>
#include <ml.h>
#include <cxcore.h>
#include <iostream>
using namespace std;
int main()
{
// step 1:
float labels[4] = {1.0, -1.0, 1.0, -1.0};
CvMat labelsMat = cvMat(4, 1, CV_32FC1, labels);
//cout<< cvmGet(&labelsMat,3,0); ;
float trainingData[4][2] = { {10, 1}, {4, 1}, {9, 5}, {6, 10} };
CvMat trainingDataMat = cvMat(4, 2, CV_32FC1, trainingData);
// step 2:
CvSVMParams params;
params.svm_type = CvSVM::C_SVC; //SVM类型
params.kernel_type = CvSVM::LINEAR; //核函数的类型
//SVM训练过程的终止条件, max_iter:最大迭代次数 epsilon:结果的精确性
params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, FLT_EPSILON );
// step 3:
CvSVM SVM = CvSVM();
SVM.train( &trainingDataMat, &labelsMat, NULL,NULL, params);
// step 4: SVM分类
for (int i=0; i<10; i++)
{
for (int j=0; j<10; j++)
{
float a[] = {i,j};
CvMat sampleMat;
cvInitMatHeader(&sampleMat,1,2,CV_32FC1,a);
cvmSet(&sampleMat,0,0,i); // Set M(i,j)
cvmSet(&sampleMat,0,1,j); // Set M(i,j)
float response = SVM.predict(&sampleMat);
if (fabs(response-1.0) < 0.0001)
{
cout<<+1<<" ";
}
else if (fabs(response+1.0) < 0.001)
{
cout<<-1<<" ";
}
}
cout<<endl;
}
// step 5: 获得支持向量
int c = SVM.get_support_vector_count();
cout<<endl;
for (int i=0; i<c; i++)
{
const float* v = SVM.get_support_vector(i);
cout<<*v<<" ";
}
cout<<endl;
system("pause");
return 0;
}
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类实现类中的成员变量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。
#include <cv.h>
#include <highgui.h>
#include <ml.h>
#include <cxcore.h>
#include <iostream>
using namespace std;
int main()
{
// step 1:
float labels[4] = {1.0, -1.0, 1.0, -1.0};
CvMat labelsMat = cvMat(4, 1, CV_32FC1, labels);
//cout<< cvmGet(&labelsMat,3,0); ;
float trainingData[4][2] = { {10, 1}, {4, 1}, {9, 5}, {6, 10} };
CvMat trainingDataMat = cvMat(4, 2, CV_32FC1, trainingData);
// step 2:
CvSVMParams params;
params.svm_type = CvSVM::C_SVC; //SVM类型
params.kernel_type = CvSVM::LINEAR; //核函数的类型
//SVM训练过程的终止条件, max_iter:最大迭代次数 epsilon:结果的精确性
params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, FLT_EPSILON );
// step 3:
CvSVM SVM = CvSVM();
SVM.train( &trainingDataMat, &labelsMat, NULL,NULL, params);
// step 4: SVM分类
for (int i=0; i<10; i++)
{
for (int j=0; j<10; j++)
{
float a[] = {i,j};
CvMat sampleMat;
cvInitMatHeader(&sampleMat,1,2,CV_32FC1,a);
cvmSet(&sampleMat,0,0,i); // Set M(i,j)
cvmSet(&sampleMat,0,1,j); // Set M(i,j)
float response = SVM.predict(&sampleMat);
if (fabs(response-1.0) < 0.0001)
{
cout<<+1<<" ";
}
else if (fabs(response+1.0) < 0.001)
{
cout<<-1<<" ";
}
}
cout<<endl;
}
// step 5: 获得支持向量
int c = SVM.get_support_vector_count();
cout<<endl;
for (int i=0; i<c; i++)
{
const float* v = SVM.get_support_vector(i);
cout<<*v<<" ";
}
cout<<endl;
system("pause");
return 0;
}
相关文章推荐
- opencv的2.4.9和3.2.0版本SVM使用的差异
- 我的OpenCV学习笔记(六):使用支持向量机(SVM)
- 使用opencv的SVM和神经网络实现车牌识别(高质量的文章******)
- 如何使用opencv中的svm分类器
- opencv3.2中SVM,KNN算法的使用
- 使用opencv下的SVM分类器
- 使用opencv的SVM和神经网络实现车牌识别
- OpenCV中SVM在Android端使用
- opencv使用svm
- opencv3.1中svm的使用范例
- Opencv中SVM的使用问题
- opencv学习笔记-----使用SVM做行人判断
- SVM 在opencv 中的使用及SVM与HOG联合
- OPENCV中使用SVM训练并识别车牌的初步应用
- 利用SVM支持向量机对彩色图像进行分割并使用OpenCV进行实现
- opencv3.1 svm(支持向量机)使用心得
- opencv knn,svm,ann,人脸识别类的使用总结
- 使用opencv的SVM实现车牌区域识别
- opencv svm的使用
- 使用opencv的SVM和神经网络实现车牌识别