预备知识
下面两个都不是必备知识，但是如果你想了解更多内容，可参考这两篇文章。
OpenCV 2.4+ C++ SVM介绍
OpenCV 2.4+ C++ SVM线性不可分处理
SVM划分的意义
到此，我们已经对SVM有一定的了解了。可是这有什么用呢？回到上一篇文章结果图：
这个结果图的意义在于，他成功从二维划分了分类的区域。于是如果以后，有一个新的样本在绿色区域，那么我们就可以把他当成是绿色的点。
由于这可以像更高维度推广，所以如果我们能对样品映射成高维度空间的点，当有足够多的样品时，我们同样可以找到一个高维度的超平面划分，使得同一类样品的映射点在同一区域，于是当有新样品落在这些区域是，我们可以把它当成是这一类型的样本。
通俗一点
可能我们能更加通俗一点。比如我们来识别男性和女性。
我们发现男性和女性可能头发长度不一样，可能胸围不一样，于是我们对样本个体产生这样的一种映射：
人 —> （头发长度, 胸围）
于是我们将每个样品映射到二维平面，其中“头发的长度”和“胸围的长度”分别是x轴和y轴。我们把这些样品丢给SVM学习，则他会寻找出一个合理的x和y的区域来划分男性和女性。
当然，也有可能有些男的头发比女的还长，有的男性的胸围比女性还大，这些就是错分点，它们也影响着划分。
最后，当我们把一个人映射到这个二维空间时，SVM就可以根据以往的学习，猜一猜这个人到底是什么性别。
我们学到了什么呢？
好吧，特征要找准一点，否则可能遇到下面的悲剧……
如果这是老板，你可就死翘翘了……
简单的文字识别
当然计算机没那么厉害能看出你的胸围或者头发长短。他需要一些他能读懂的东西，特别计算机通常“看到”的是下面的这种东东……
我们需要对文字找到他的特征，来映射到高维空间。
还记得小学时候练字的米字格么？这似乎暗示了我们，虽然每个人写的字千差万别，但是他们却具有一定的特点。
我们尝试这样做，取一个字，选取一个包含该字的正方形区域，将这个正方形区域分割成8*8个小格，统计每个小格中像素的数量，以这些数量为维度进行映射。
OK，明白了原理让我们开始吧。
被提醒了，那么补充一句：这个例子在实际中用来辨认是不可行的。
样本获取
由于通常文字样本都是白底黑字的，而手写也可以直接获取写入的数据而无视背景，所以我们并不需要对样本进行提取，但我们需要对他定位，并弄成合适的大小。
比如，你没法避免有人这么写字……
坑爹啊，好好的那么大地方你就躲在左上角……
开始定位
void getROI(Mat& src, Mat& dst){
int left, right, top, bottom;
left = src.cols;
right = 0;
top = src.rows;
bottom = 0;
//得到区域
for(int i=0; i<src.rows; i++)
{
for(int j=0; j<src.cols; j++)
{
if(src.at<uchar>(i, j) > 0)
{
if(j<left) left = j;
if(j>right) right = j;
if(i<top) top = i;
if(i>bottom) bottom = i;
}
}
}
int width = right - left;
int height = bottom - top;
//创建存储矩阵
dst = Mat::zeros(width, height, CV_8UC1);
Rect dstRect(left, top, width, height);
dst(dstRect);
}
这段代码通过遍历所有图像矩阵的元素，来获取该样本的定位和大小。并把样本提取出来。
重新缩放
Mat dst = Mat::zeros(8, 8, CV_8UC1);
resize(src, dst, dst.size());
进行缩放，把所有样本变成8*8的大小。为了简便，我们把像素多少变成了像素的灰度值。
resize的API：
调整图片大小
C++: void resize (InputArray src, OutputArray dst, Size dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR ) 参数
- src – 输入图像。
- dst – 输出图像；它有一个dsize (当其不为0时) 或者这个size由 src.size()，fx和fy算出。dst的类型和src相同。
- dsize –
输出图像的大小，如果取值为0，则：
dsize或者fx和fy必须有一种大小决定方法不为0。
- fx –
水平轴缩放因子，当取值为0时，则为：
- fy –
垂直轴缩放因子，当取值为0时，则为：
- interpolation –
插值方法
- INTER_NEAREST - 最近邻值插入方法。
- INTER_LINEAR - 双线性插值（默认方式）。
- INTER_AREA - 使用象素关系重采样。当图像缩小时候，该方法可以避免波纹出现。当图像放大时，类似于 CV_INTER_NN 方法。
- INTER_CUBIC - 立方插值。
- INTER_LANCZOS4 - 8x8的Lanczos插入方法。
准备样本数据
Mat data = Mat::zeros(total, 64, CV_32FC1); //样本数据矩阵
Mat res = Mat::zeros(total, 1, CV_32SC1); //样本标签矩阵
res.at<double>(k, 1) = label; //对第k个样本添加分类标签
//对第k个样本添加数据
for(int i = 0; i<8; i++) {
for(int j = 0; j<8; j++) {
res.at<double>(k, i * 8 + j) = dst.at<double>(i, j);
}
}
将刚刚的结果，输入样本，并加上标签。
训练
CvSVM svm = CvSVM();
CvSVMParams param;
CvTermCriteria criteria;
criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON);
param= CvSVMParams(CvSVM::C_SVC, CvSVM::RBF, 10.0, 8.0, 1.0, 10.0, 0.5, 0.1, NULL, criteria);
svm.train(data, res, Mat(), Mat(), param);
svm.save( "SVM_DATA.xml" );
开始训练并保存训练数据。
使用
CvSVM svm = CvSVM();
svm.load( "SVM_DATA.xml" );
svm.predict(m); //对样本向量m检测
