SVM是一个成熟经典的技术，被用在很多分类问题中，比如早期的人脸识别问题，很多是HOG+SVM。最近在做识别魔方颜色的时候，研究了OpenCV中的SVM分类器。
首先还是来看官方文档
https://docs.opencv.org/3.4/d1/d73/tutorial_introduction_to_svm.html
两个教程例子都比较直观，给定一些二维点的坐标（x,y）和标签label（人为指定，-1和1），进行SVM的训练，然后调用训练模型进行预测，并将结果做了直观显示。
opencv2跟3中的训练样本有细微差别，主要是样本数据为CV_32SC1和CV_32FC1的差别
https://blog.csdn.net/wfh2015/article/details/51163890
//cv::Ptr<cv::ml::SVM> svm = cv::ml::SVM::create();
//svm->setType(cv::ml::SVM::Types::C_SVC);
//svm->setKernel(cv::ml::SVM::KernelTypes::LINEAR);
//svm->setDegree(0.0);
//svm->setGamma(1.0);
//svm->setCoef0(0.0);
//svm->setC(1.0);
//svm->setNu(0.0);
//svm->setP(0.0);
//svm->setTermCriteria(cv::TermCriteria(cv::TermCriteria::MAX_ITER + cv::TermCriteria::EPS , 20000, 0.001));
// svm->train(trainingData, cv::ml::SampleTypes::ROW_SAMPLE, classes);
//cv::Ptr<cv::ml::TrainData> &&trainDataSet = cv::ml::TrainData::create(trainingData, cv::ml::ROW_SAMPLE, classes);
//svm->trainAuto(trainDataSet);
//svm.train(trainingData, classes, Mat(), Mat(), SVM_params);
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 + cv::TermCriteria::EPS, 20000, 0.001);
CvSVM svm;
svm.train_auto(trainingData, classes, Mat(), Mat(), SVM_params);
//保存模型
svm.save(\"D:\\\\opencv_work\\\\cubeSolver\\\\svm.xml\");
//svm->save(\"D:\\\\opencv_work\\\\cubeSolver\\\\svm.xml\");
学习的时候，我跟着这个教程做了一遍 。因为手写数字集的图片opencv本身就带有，而且作者还手把手带着做了一遍，包括图片分割，样本数据集的建立，最后利用训练的模型识别手写数字0和1。注意的地方是，数字图片的文件夹事先建立好，不然以为它没有把图片分割成功。另外，训练集合测试集自己拷贝好，训练集每个数字400张图片，测试集每个数字100张图片。
![\"\"](\"/images/csdn/15455677901w54r5356j7790.png\")
1的测试数据集 100张识别正确99张，有一个没识别对，可以从上图中看到，1写的还是很怪的。0的识别完成正确。
![\"\"](\"/images/csdn/15455677901H545W567FA790.png\")
总结下， 官方例子的特征向量为二维点x和y，label为-1和1。width*height=2*4, label的维度width*height=1*4。
0，1手写数字识别的特征向量为大小20x20，3通道的图片，每个像素点都是特征参数。每张图片有20*20*3=1200个特征，0和1的图片共有800张，因此训练用的特征向量的维度为width*height=1200*800，label的维度width*height=1*800，0和1的label各一半，各四百个。从这两个例子看到，label的第二维和data的第二维相等，通俗理解就是有多少个样本就有多少条label。cv::ml::SampleTypes::ROW_SAMPLE样本为行排列，一行为一个样本。
魔方颜色SVM
有了上面的例子的经验，就可以看看魔方的颜色识别的例子了，一般的三阶魔方有6个颜色，每个颜色，考虑到光照的影响，这里将RGB三通道和HSV三通道一共六个数据作为特征。一个行样本就是这6个数据，标签lable就是颜色值，这里将颜色值与数字123456相对应，便于程序计算。
版权声明
本文仅代表作者观点，不代表百度立场。
本文系作者授权百度百家发表，未经许可，不得转载。
