学习SVM（一） SVM模型训练与分类的OpenCV实现 
学习SVM（二） 如何理解支持向量机的最大分类间隔 
学习SVM（三）理解SVM中的对偶问题 
学习SVM（四） 理解SVM中的支持向量（Support Vector） 
学习SVM（五）理解线性SVM的松弛因子Andrew Ng 在斯坦福大学的机器学习公开课上这样评价支持向量机： 
support vector machines is the supervised learning algorithm that many people consider the most effective off-the-shelf supervised learning algorithm.That point of view is debatable,but there are many people that hold that point of view.可见，在监督学习算法中支持向量机有着非常广泛的应用，而且在解决图像分类问题时有着优异的效果。Opencv集成了这种学习算法，它被包含在ml模块下的CvSVM类中，下面我们用Opencv实现SVM的模型训练和加载模型实现分类，为了理解起来更加直观，我们将这两个部分用两个工程来实现。模型训练#include #include #include #include #include #include #include #include #include using namespace std; using namespace cv; void getFiles( string path, vector<string>& files); void getBubble(Mat& trainingImages, vector<int>& trainingLabels); void getNoBubble(Mat& trainingImages, vector<int>& trainingLabels); int main() { //获取训练数据 Mat classes; Mat trainingData; Mat trainingImages; vector<int> trainingLabels; getBubble(trainingImages, trainingLabels); getNoBubble(trainingImages, trainingLabels); Mat(trainingImages).copyTo(trainingData); trainingData.convertTo(trainingData, CV_32FC1); Mat(trainingLabels).copyTo(classes); //配置SVM训练器参数 CvSVMParams SVM_params; SVM_params.svm_type = CvSVM::C_SVC; SVM_params.kernel_type = CvSVM::LINEAR; SVM_params.degree = 0; SVM_params.gamma = 1; SVM_params.coef0 = 0; SVM_params.C = 1; SVM_params.nu = 0; SVM_params.p = 0; SVM_params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, 0.01); //训练 CvSVM svm; svm.train(trainingData, classes, Mat(), Mat(), SVM_params); //保存模型 svm.save("svm.xml"); cout<<"训练好了！！！"<return 0; } void getFiles( string path, vector<string>& files ) { long hFile = 0; struct _finddata_t fileinfo; string p; if((hFile = _findfirst(p.assign(path).append("\*").c_str(),&fileinfo)) != -1) { do { if((fileinfo.attrib & _A_SUBDIR)) { if(strcmp(fileinfo.name,".") != 0 && strcmp(fileinfo.name,"..") != 0) getFiles( p.assign(path).append("\").append(fileinfo.name), files ); } else { files.push_back(p.assign(path).append("\").append(fileinfo.name) ); } }while(_findnext(hFile, &fileinfo) == 0); _findclose(hFile); } } void getBubble(Mat& trainingImages, vector<int>& trainingLabels) { char * filePath = "D:\train\has\train"; vector<string> files; getFiles(filePath, files ); int number = files.size(); for (int i = 0;i < number;i++) { Mat SrcImage=imread(files[i].c_str()); SrcImage= SrcImage.reshape(1, 1); trainingImages.push_back(SrcImage); trainingLabels.push_back(1); } } void getNoBubble(Mat& trainingImages, vector<int>& trainingLabels) { char * filePath = "D:\train\no\train"; vector<string> files; getFiles(filePath, files ); int number = files.size(); for (int i = 0;i < number;i++) { Mat SrcImage=imread(files[i].c_str()); SrcImage= SrcImage.reshape(1, 1); trainingImages.push_back(SrcImage); trainingLabels.push_back(0); } }整个训练过程可以分为一下几个部分： 
数据准备： 
该例程中一个定义了三个子程序用来实现数据准备工作： 
getFiles()用来遍历文件夹下所有文件，可以参考： 
http://blog.csdn.net/chaipp0607/article/details/53914954 
getBubble()用来获取有气泡的图片和与其对应的Labels，该例程将Labels定为1。 
getNoBubble()用来获取没有气泡的图片与其对应的Labels，该例程将Labels定为0。 
getBubble()与getNoBubble()将获取一张图片后会将图片（特征）写入到容器中，紧接着会将标签写入另一个容器中，这样就保证了特征和标签是一一对应的关系push_back(0)或者push_back(1)其实就是我们贴标签的过程。trainingImages.push_back(SrcImage); trainingLabels.push_back(0);在主函数中，将getBubble()与getNoBubble()写好的包含特征的矩阵拷贝给trainingData，将包含标签的vector容器进行类型转换后拷贝到trainingLabels里，至此，数据准备工作完成，trainingData与trainingLabels就是我们要训练的数据。 Mat classes; Mat trainingData; Mat trainingImages; vector<int> trainingLabels; getBubble(trainingImages, trainingLabels); getNoBubble(trainingImages, trainingLabels); Mat(trainingImages).copyTo(trainingData); trainingData.convertTo(trainingData, CV_32FC1); Mat(trainingLabels).copyTo(classes);特征选取 
其实特征提取和数据的准备是同步完成的，我们最后要训练的也是正负样本的特征。本例程中同样在getBubble()与getNoBubble()函数中完成特征提取工作，只是我们简单粗暴将整个图的所有像素作为了特征，因为我们关注更多的是整个的训练过程，所以选择了最简单的方式完成特征提取工作，除此中外，特征提取的方式有很多，比如LBP，HOG等等。 SrcImage= SrcImage.reshape(1, 1);我们利用reshape()函数完成特征提取，原型如下： Mat reshape(int cn, int rows=0) const;可以看到该函数的参数非常简单，cn为新的通道数，如果cn = 0，表示通道数不会改变。参数rows为新的行数，如果rows = 0，表示行数不会改变。我们将参数定义为reshape(1, 1)的结果就是原图像对应的矩阵将被拉伸成一个一行的向量，作为特征向量。 
参数配置 
参数配置是SVM的核心部分，在Opencv中它被定义成一个结构体类型，如下：struct CV_EXPORTS_W_MAP CvSVMParams { CvSVMParams(); CvSVMParams( int svm_type, int kernel_type, double degree, double coef0, double Cvalue, double p, CvMat* class_weights, CvTermCriteria term_crit ); CV_PROP_RW int svm_type; CV_PROP_RW int kernel_type; CV_PROP_RW double degree; // for poly CV_PROP_RW double gamma; // for poly/rbf/sigmoid CV_PROP_RW double coef0; // for poly/sigmoid CV_PROP_RW double C; // for CV_SVM_C_SVC, CV_SVM_EPS_SVR and CV_SVM_NU_SVR CV_PROP_RW double nu; // for CV_SVM_NU_SVC, CV_SVM_ONE_CLASS, and CV_SVM_NU_SVR CV_PROP_RW double p; // for CV_SVM_EPS_SVR CvMat* class_weights; // for CV_SVM_C_SVC CV_PROP_RW CvTermCriteria term_crit; // termination criteria };所以在例程中我们定义了一个结构体变量用来配置这些参数，而这个变量也就是CVSVM类中train函数的第五个参数，下面对参数进行说明。 
SVM_params.svm_type ：SVM的类型： 
C_SVC表示SVM分类器，C_SVR表示SVM回归 
SVM_params.kernel_type：核函数类型 
线性核LINEAR: 
d(x,y)=(x,y) 
多项式核POLY: 
d(x,y)=(gamma*(x’y)+coef0)degree 
径向基核RBF: 
d(x,y)=exp(-gamma*|x-y|^2) 
sigmoid核SIGMOID: 
d(x,y)= tanh(gamma*(x’y)+ coef0)SVM_params.degree:核函数中的参数degree,针对多项式核函数; 
SVM_params.gama:核函数中的参数gamma,针对多项式/RBF/SIGMOID核函数; 
SVM_params.coef0:核函数中的参数,针对多项式/SIGMOID核函数； 
SVM_params.c:SVM最优问题参数，设置C-SVC，EPS_SVR和NU_SVR的参数； 
SVM_params.nu:SVM最优问题参数，设置NU_SVC， ONE_CLASS 和NU_SVR的参数； 
SVM_params.p:SVM最优问题参数，设置EPS_SVR 中损失函数p的值. 
训练模型CvSVM svm; svm.train(trainingData, classes, Mat(), Mat(), SVM_params);通过上面的过程，我们准备好了待训练的数据和训练需要的参数，其实可以理解为这个准备工作就是在为svm.train()函数准备实参的过程。来看一下svm.train()函数，Opencv将SVM封装成CvSVM库，这个库是基于台湾大学林智仁(Lin Chih-Jen)教授等人开发的LIBSVM封装的，由于篇幅限制，不再全部粘贴库的定义，所以一下代码只是CvSVM库中的一部分数据和函数：class CV_EXPORTS_W CvSVM : public CvStatModel { public: virtual bool train( const CvMat* trainData, const CvMat* responses, const CvMat* varIdx=0, const CvMat* sampleIdx=0, CvSVMParams params=CvSVMParams() ); virtual float predict( const CvMat* sample, bool returnDFVal=false ) const;我们就是应用类中定义的train函数完成模型训练工作。 
保存模型svm.save("svm.xml");保存模型只有一行代码，利用save()函数，我们看下它的定义： CV_WRAP virtual void save( const char* filename, const char* name=0 ) const;该函数被定义在CvStatModel类中，CvStatModel是ML库中的统计模型基类，其他 ML 类都是从这个类中继承。总结：到这里我们就完成了模型训练工作，可以看到真正用于训练的代码其实很少，OpenCV最支持向量机的封装极大地降低了我们的编程工作。加载模型实现分类#include #include #include #include #include #include #include #include #include using namespace std; using namespace cv; void getFiles( string path, vector<string>& files ); int main() { int result = 0; char * filePath = "D:\train\has\test"; vector<string> files; getFiles(filePath, files ); int number = files.size(); cout<string modelpath = "svm.xml"; FileStorage svm_fs(modelpath,FileStorage::READ); if(svm_fs.isOpened()) { svm.load(modelpath.c_str()); } for (int i = 0;i < number;i++) { Mat inMat = imread(files[i].c_str()); Mat p = inMat.reshape(1, 1); p.convertTo(p, CV_32FC1); int response = (int)svm.predict(p); if (response == 1) { result++; } } cout<return 0; } void getFiles( string path, vector<string>& files ) { long hFile = 0; struct _finddata_t fileinfo; string p; if((hFile = _findfirst(p.assign(path).append("\*").c_str(),&fileinfo)) != -1) { do { if((fileinfo.attrib & _A_SUBDIR)) { if(strcmp(fileinfo.name,".") != 0 && strcmp(fileinfo.name,"..") != 0) getFiles( p.assign(path).append("\").append(fileinfo.name), files ); } else { files.push_back(p.assign(path).append("\").append(fileinfo.name) ); } }while(_findnext(hFile, &fileinfo) == 0); _findclose(hFile); } } 在上面我们把该介绍的都说的差不多了，这个例程中只是用到了load()函数用于模型加载，加载的就是上面例子中生成的模型，load()被定义在CvStatModel这个基类中，然后用到predict()函数用来预测分类结果，predict()被定义在CVSVM类中。结果： 
测试了517张正样本，1815张负样本，但是只成功预测了216和1481。这个准确率很差，因为我们并没有针对样本做合适的特征提取工作。