SVM是2000年左右提出的一种新的分类方法，着重解决了小样本分类问题。具体原理可以参看模式识别的书籍。OpenCV中的SVM的实现也是基于大名鼎鼎的SVM 库:http://www.csie.ntu.edu.tw/~cjlin。OpenCV教程中有两个例子，一个是线性可分的，一个是线性不可分的，我对他们做了详尽的注释：
先看线性可分时：
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
using namespace cv;
int main()
{
// Data for visual representation
int width = 512, height = 512;
Mat image = Mat::zeros(height, width, CV_8UC3);
// Set up training data
float labels[5] = {1.0, -1.0, -1.0, -1.0,1.0};
Mat labelsMat(5, 1, CV_32FC1, labels);
float trainingData[5][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501},{501,128} };
Mat trainingDataMat(5, 2, CV_32FC1, trainingData);
//设置支持向量机的参数
CvSVMParams params;
params.svm_type = CvSVM::C_SVC;//SVM类型：使用C支持向量机
params.kernel_type = CvSVM::LINEAR;//核函数类型：线性
params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);//终止准则函数：当迭代次数达到最大值时终止
//训练SVM
//建立一个SVM类的实例
CvSVM SVM;
//训练模型，参数为：输入数据、响应、XX、XX、参数（前面设置过）
SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
Vec3b green(0,255,0), blue (255,0,0);
//显示判决域
for (int i = 0; i < image.rows; ++i)
for (int j = 0; j < image.cols; ++j)
{
Mat sampleMat = (Mat_<float>(1,2) << i,j);
//predict是用来预测的，参数为：样本、返回值类型（如果值为ture而且是一个2类问题则返回判决函数值，否则返回类标签）、
float response = SVM.predict(sampleMat);
if (response == 1)
image.at<Vec3b>(j, i) = green;
else if (response == -1)
image.at<Vec3b>(j, i) = blue;
}
//画出训练数据
int thickness = -1;
int lineType = 8;
circle( image, Point(501, 10), 5, Scalar( 0, 0, 0), thickness, lineType);//画圆
circle( image, Point(255, 10), 5, Scalar(255, 255, 255), thickness, lineType);
circle( image, Point(501, 255), 5, Scalar(255, 255, 255), thickness, lineType);
circle( image, Point( 10, 501), 5, Scalar(255, 255, 255), thickness, lineType);
circle(image, Point( 501, 128), 5, Scalar(0, 0, 0), thickness, lineType);
//显示支持向量
thickness = 2;
lineType = 8;
//获取支持向量的个数
int c = SVM.get_support_vector_count();
for (int i = 0; i < c; ++i)
{
//获取第i个支持向量
const float* v = SVM.get_support_vector(i);
//支持向量用到的样本点，用灰色进行标注
circle( image, Point( (int) v[0], (int) v[1]), 6, Scalar(128, 128, 128), thickness, lineType);
}
imwrite("result.png", image); // save the image
imshow("SVM Simple Example", image); // show it to the user
waitKey(0);
}
线性不可分时由于样本较多，训练的时间比较长：
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
#include "time.h"
using namespace cv;
using namespace std;
//程序说明：
//一共两个样本集每个样本集有100个样本，其中90个是线性可分的，10个线型不可分
//这200个样本数据储存在trainData内：trainData是一个200行2列的矩阵，其中第一列储存样本的X值，第二列储存的是样本的Y值
//每一列的前90个元素是第一类的线性可分部分，后90个元素是第二类的线性可分部分，中间的20个元素是线性不可分部分
//第一类样本的X值分布在整幅图像的[0,0.4]范围内，第二类样本的X值分布在整幅图像的[0.6,1]范围内，中间的[0.4,0.6]是线性不可分的部分；这三部分的Y值都在整幅图像的高度内自由分布
//每个样本集的数量
#define NTRAINING_SAMPLES 100
//其中的线性部分
#define FRAC_LINEAR_SEP 0.9f
int main()
{
//定义显示结果的图像
//图像的宽度、高度
const int WIDTH = 512,HEIGHT = 512;
Mat image = Mat::zeros(HEIGHT,WIDTH,CV_8UC3);
//************第一步：设定训练数据***********
//************1.设定数据结构****************
//承载训练数据的结构
Mat trainData(2*NTRAINING_SAMPLES,2,CV_32FC1);
//承载这些数据分类的结构
Mat labels(2*NTRAINING_SAMPLES,1,CV_32FC1);
//设定随机数种子
RNG rng(100);
//设定线性可分部分的数据量
int nLinearSamples = (int) (NTRAINING_SAMPLES*FRAC_LINEAR_SEP);
//**************2.设定第一类中的数据*********
//从整个数据集中取出前[0,89]行
//注：*Range的范围是[a,b)
Mat trainClass = trainData.rowRange(0,nLinearSamples);
//取出第一列
Mat c = trainClass.colRange(0,1);
//随机生成X的值：[0,0.4*WIDTH]
rng.fill(c,RNG::UNIFORM,Scalar(1),Scalar(0.4*WIDTH));
//取出第二列
c = trainClass.colRange(1,2);
//随机生成Y的值
rng.fill(c,RNG::UNIFORM,Scalar(1),Scalar(HEIGHT));
//**************2.设定第二类的数据*************
//从整个数据中取出[110,199]行
trainClass = trainData.rowRange(2*NTRAINING_SAMPLES-nLinearSamples,2*NTRAINING_SAMPLES);
//取出第一列
c = trainClass.colRange(0,1);
//随机生成X的值[0.6*WIDTH,WIDTH]
rng.fill(c,RNG::UNIFORM,Scalar(0.6*WIDTH),Scalar(WIDTH));
//取出第二列
c = trainClass.colRange(1,2);
//随机生成Y的值
rng.fill(c,RNG::UNIFORM,Scalar(1),Scalar(HEIGHT));
//***************3.设定线性不可分的数据***********
//取出[90,109]行
trainClass = trainData.rowRange(nLinearSamples,2*NTRAINING_SAMPLES-nLinearSamples);
//取出第一列
c = trainClass.colRange(0,1);
//随机生成X的值[0.4*WIDTH,0.6*WIDTH]
rng.fill(c,RNG::UNIFORM,Scalar(0.4*WIDTH),Scalar(0.6*WIDTH));
//取出第二列
c = trainClass.colRange(1,2);
//随机生成Y的值
rng.fill(c,RNG::UNIFORM,Scalar(1),Scalar(HEIGHT));
//***************4.为所有数据设置标签**********
//前100个数据设为第一类
labels.rowRange(0,NTRAINING_SAMPLES).setTo(1);
//后100个数据设为第二类
labels.rowRange(NTRAINING_SAMPLES,2*NTRAINING_SAMPLES).setTo(2);
//**************第二步：设置SVM参数***********
CvSVMParams params;
//SVM类型： C-Support Vector Classification
params.svm_type = SVM::C_SVC;
params.C = 0.1;
//和函数类型：Linear kernel
params.kernel_type = SVM::LINEAR;
//终止准则：当迭代次数到达最大值后终止
params.term_crit = TermCriteria(CV_TERMCRIT_ITER,(int) 1e7,1e-6);
//**************第三步：训练SVM***********
cout<<"开始训练过程"<<endl;
//开始计时
clock_t start,finish;
double duration;
start = clock();
//*************1.建立一个SVM实例**********
CvSVM svm;
//*************2.调用训练函数*************
svm.train(trainData,labels,Mat(),Mat(),params);
//结束计时
finish = clock();
duration = (double)(finish-start) / CLOCKS_PER_SEC;
cout<<"训练过程结束,共耗时："<<duration<<"秒"<<endl;
//************第四步：显示判决域************
//第一类用绿色；第二类用蓝色
Vec3b green(0,100,0),blue(100,0,0);
for(int i = 0; i < image.rows; ++i)
{
for(int j = 0; j < image.cols; ++j)
{
Mat sampleMat = (Mat_<float>(1,2)<<i,j);
float response = svm.predict(sampleMat);
if (response == 1)
{
image.at<Vec3b>(j,i) = green;
}
else if (response == 2)
{
image.at<Vec3b>(j,i) = blue;
}
}
}
//************第五步：显示训练数据************
//红色
//负数会导致画出的图型是实心的
int thick = -1;
int lineType = 8;
float px,py;
//************1.第一类*************
for(int i = 0; i < NTRAINING_SAMPLES; ++i)
{
px = trainData.at<float>(i,0);
py = trainData.at<float>(i,1);
circle(image,Point((int)px,(int)py),3,Scalar(0,255,0));
}
//***********2.第二类****************
for(int i = NTRAINING_SAMPLES; i < 2*NTRAINING_SAMPLES; ++i)
{
px = trainData.at<float>(i,0);
py = trainData.at<float>(i,1);
circle(image,Point((int)px,(int)py),3,Scalar(255,0,0));
}
//***********第六步：显示支持向量*************
thick = 2;
lineType = 8;
//获取支持向量的个数
int x = svm.get_support_vector_count();
for(int i = 0; i < x; ++i)
{
const float* v = svm.get_support_vector(i);
circle(image,Point((int)v[0],(int)v[1]),6,Scalar(128,128,128),thick,lineType);
}
imshow("分类结果",image);
waitKey(0);
return 0;
}
其实我对SVM的理解也只是照猫画虎，当训练数据是高维情况时，也完全不知所措，以后要是需要在这方面有深入研究的话，在仔细考虑吧！
分享到：
相关推荐
opencv3.0书籍课程源码之opencv支持向量机之SVM引导，对于初学opencv的朋友应该很有帮助
基于Python和sklearn机器学习库实现的支持向量机算法使用的实战案例。 使用jupyter notebook环境开发。 支持向量机：支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据...
SVM支持向量机VS2015+OpenCV2.4.13测试程序。其中分三个部分1、线性可分下测试程序；2、线性不可分下测试程序；3、多个类别的SVM测试程序。内涵详细注释和源码解析，方便学习
OpenCV 3计算机视觉：Python语言实现,代码+pdf文档，适合于计算机视觉研究者
OpenCV机器学习SVM支持向量机的分类程序,便于ＳＶＭ的学习和理解
OpenCV机器学习SVM支持向量机的分类程序.pdf
支持向量机代码，用到了opencv，用此程序前要先安将opencv
OpenCv学习笔记(六)：使用opencv画线、矩形、椭圆、多边形线、多边形体等.pdf
Opencv 支持向量机 图像处理 分类识别
题目是将图片库中的纹理图片裁剪成九份，其中五份做训练集，四份做测试集，先提取图片LBP特征 ，最后用svm支持向量机进行学习，在预测测试集里的图片是哪一类纹理。 正常情况下是需要调参的，即调整SVM的参数，但图...
Opencv学习笔记 辛苦收集希望和大家交流
爱分享、爱极客的编程怪兽--DaveBobo 博文 《【OpenCV学习笔记 005】 操作像素》 博文链接： http://blog.csdn.net/davebobo/article/details/52541612 OpenCV版本：2.4.9
OpenCV 3计算机视觉：Python语言实现 （Joe Minichino）
opencv的学习资料：OpenCV2.1.pdf OpenCV中文手册 learning opencv电子版
OpenCV学习笔记入门版，真正的入门级别，自己写的
这个一个很基础的opencv学习笔记，一些常会遇到的问题，在这里做了肤浅的介绍，还有很多问题没有提及，以后会陆续整理，并上传
C est code de SVM pour effectuer un apprentissage utlisant la bibliothèque opencv
opencv3.0书籍课程源码之opencv支持向量机之处理线性不可分数据，对于初学opencv的朋友应该很有帮助