【视觉调试】ZH视觉调试SVM笔记( 二 ) _svm

@paramfor theand SVMplane.
it is 0 andbein the(as the last free ).
But if the freeis(which is ), you canithere.
@param. It must be aof block .
@param
@param scaleof the.
@paramFinal
@param
*/
void ( img,std::& ,
= 0, Size= Size(),
Size= Size(),scale = 1.05,
= 2.0, bool= false) const;
/** @brief 检测输入图像中不同大小的对象。检测到的对象作为矩形列表返回。
@param img CV_8U 或类型的矩阵，包含检测到对象的图像。
@param矩形向量，其中每个矩形都包含检测到的对象。
@param特征和 SVM 分类平面之间距离的阈值。通常为 0，应在检测器系数中指定（作为最后一个自由系数）。但如果自由系数被省略（这是允许的），您可以在此处手动指定。

文章插图
@param窗口步幅。它必须是块步长的倍数。
@param填充
@param scale 检测窗口增加的系数。
@param最终阈值
@param表示分组算法
*/
常见的pad size 有(8, 8),(16, 16),(24, 24),(32, 32).
HOG参数分析 -- 博客园 ()
/**@ /cpp/.cpp
*/
/** @briefHOGof given image.
@param imgof the type CV_8Uan image where HOGwill be .
@paramof the type
@param. It must be aof block .
@param
@paramof Point
*/
void ( img,
std::& ,
Size= Size(), Size= Size(),
const std::&= std::()) const;
/**@ /cpp/.cpp
*/
/** @brief 计算给定图像的 HOG（方向直方图梯度）描述符。
@param img CV_8U 类型的矩阵，包含将计算 HOG 特征的图像。
@param类型的矩阵
@param窗口步幅。它必须是块步长的倍数。
@param填充
@param点向量
*/
pute(src, , cv::Size(16, 16));//计算HOG描述子，检测窗口移动步长(16,16)
//构造
cv:: hog(cv::Size(576, 576), cv::Size(192, 192), cv::Size(96, 96), cv::Size(96, 96), 9); //HOG检测器，用来计算HOG描述子的，依次为检测窗口,块尺寸,块步长,cell尺寸,直方图个数
//计算
pute(src, , cv::Size(16, 16));//计算HOG描述子，检测窗口移动步长(16,16)
//预测
Myhog.(src, found, 0, cv::Size(16, 16), cv::Size(32, 32), 2.5, 20);//对图片进行多尺度检测 src, found, 0, cv::Size(16, 16), cv::Size(32, 32), 2.5, 20
HOG参数分析 -- 博客园 ()
SVM的类型（5种）
1、CvSVM::C_SVC :C类支撑向量分类机。n类分组（n≥2），容许用异常值处罚因子C进行不完全分类。
2、CvSVM:: :类支撑向量分类机。n类似然不完全分类的分类器。参数为庖代C（其值在区间【0，1】中，nu越大，决定计划鸿沟越腻滑）。
3、CvSVM:: :单分类器，所有的练习数据提取自同一个类里，然后SVM建树了一个分界线以分别该类在特点空间中所占区域和其它类在特点空间中所占区域。
4、CvSVM:: :类支撑向量回归机。练习集中的特点向量和拟合出来的超平面的间隔须要小于p 。异常值处罚因子C被采取。
5、CvSVM:: :类支撑向量回归机。庖代了 p 。
中的核函数定义：
CvSVM:: :线性内核，没有任何向映射至高维空间，线性区分（或回归）在原始特点空间中被完成，这是最快的选择。
CvSVM::POLY :多项式内核：
CvSVM::RBF :基于径向的函数，对于大多半景象都是一个较好的选择：
CvSVM:: :函数内核：
——SVM参数详解的博客-CSDN博客 svm参数 .
setC( c): 设置惩罚函数的参数C的大小，一般大于0，不允许是0；
(Mat & val):表示不同分类的权值，该值和C相乘后，实现了不同分类的不同的惩罚力度，值越大，该类别的惩罚力度就越大。一般在多分类中使用，mat的大小和分类的类别多少是一致的。