版權聲明：本文為博主原創文章，未經博主允許不得轉載。 https://blog.csdn.net/heroacool/article/details/50997024 <div class="markdown_views"><p>物體識別中經常遇到多分類器問題，svm是比較成熟和直接的想法。一般來說使用svm作為多分類器主要有以下思路：</p>

一對多(one-vs-all)。訓練時依次將目標類別作為正樣本，其余樣本作為負樣本，以此訓練n個svm。這個在Andrew Ng的Machine leaning的課上介紹過。
缺點：因為訓練集是1：N的情況，存在較大的bias，不是特別實用。

一對一(one-vs-one)。訓練時，任意兩類樣本之間訓練一個svm，則n類別，訓練出(n-1)n/2個svm。在runtime時，對一個未知樣本分類，則使用投票的法方法。libsvm即使用的該種方法。
缺點：類別多的時候，(n-1)n/2個支持向量機，計算代價大。

層次支持向量機。首先將所有類別分類為兩個子類，再將子類進一步劃分為兩個子類，直到單獨子類為止。好像一棵樹耶。具體請參考：劉志剛, 李德仁, 秦前清, 等. 支持向量機在多類分類問題中的推廣[J]. 2004.

DAG-SVMS。由Platt提出的決策導向的循環圖DDAG導出的,是針對“一對一”SVMS存在誤分、拒分現象提出的。請參考論文

簡單示例

#include <opencv2/core.hpp> #include <opencv2/imgproc.hpp> #include "opencv2/imgcodecs.hpp" #include <opencv2/highgui.hpp> #include <opencv2/ml.hpp> using namespace cv; using namespace cv::ml; Vec3b getRandomColor(){ RNG rng(clock()); return Vec3b(rng.next() % 255, rng.next() % 255, rng.next() % 255); } int main( int, char **) { // Data for visual representation int width = 512, height = 512; Mat image = Mat::zeros(height, width, CV_8UC3); // Set up training data int labels[ 4] = { 1, 2, 3, 4}; float trainingData[ 4][ 2] = { { 100, 10}, { 10, 500}, { 500, 10}, { 500, 500} }; Mat trainingDataMat( 4, 2, CV_32FC1, trainingData); Mat labelsMat( 4, 1, CV_32SC1, labels); // Train the SVM //! [init] Ptr<SVM> svm = SVM::create(); svm->setType(SVM::C_SVC); svm->setKernel(SVM::POLY); svm->setDegree( 1.0); svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6)); //! [init] //! [train] // svm->train(trainingDataMat, ROW_SAMPLE, labelsMat); // Ptr<TrainData> auto_train_data = TrainData::create(trainingDataMat, ROW_SAMPLE, labelsMat); // svm->trainAuto(auto_train_data); svm->train(trainingDataMat, ROW_SAMPLE, labelsMat); //! [train] // Show the decision regions given by the SVM //! [show] Vec3b green( 0, 255, 0), blue ( 255, 0, 0), red( 0, 0, 255),yellow( 0, 255, 255); for ( int i = 0; i < image.rows; ++i){ for ( int j = 0; j < image.cols; ++j){ Mat sampleMat = (Mat_< float>( 1, 2) << j,i); float response = svm->predict(sampleMat); double ratio = 0.5; if (response == 1) image.at<Vec3b>(i,j) = green *ratio; else if (response == 2) image.at<Vec3b>(i,j) = blue *ratio; else if(response == 3){ image.at<Vec3b>(i,j) = red *ratio; } else if(response == 4){ image.at<Vec3b>(i,j) = yellow *ratio; } } } int thickness = - 1; int lineType = 8; circle( image, Point( 100, 10), 5, Scalar( 0, 255, 0), thickness, lineType ); circle( image, Point( 10, 500), 5, Scalar( 255, 0, 0), thickness, lineType ); circle( image, Point( 500, 10), 5, Scalar( 0, 0, 255), thickness, lineType ); circle( image, Point( 500, 500), 5, Scalar( 0, 255, 255), thickness, lineType ); thickness = 2; lineType = 8; Mat sv = svm->getSupportVectors(); std::cout << sv << std::endl; for ( int i = 0; i < sv.rows; ++i){ const float* v = sv.ptr< float>(i); circle( image, Point( ( int) v[ 0], ( int) v[ 1]), 6, CV_RGB( 128, 128, 128), 2); } imwrite( "result.png", image); // save the image imshow( "SVM Simple Example", image); // show it to the user waitKey( 0); }

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76
• 77
• 78
• 79
• 80
• 81
• 82
• 83

效果：

注意點：
使用RBF核或者使用autotrain，參數選擇十分重要。不行你試試喲！！！

總結

以上是生活随笔為你收集整理的OpenCV--SVM多分类问题的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。