1.        準備工作

1)       確立分類器個數(shù)

一般都事先確定分類器的個數(shù)，當然,，如有必要,，可在訓練過程中增加分類器的個數(shù)。分類器指的是將樣本中分幾個類型,，比如我們從樣本中需要識別出：車輛,、行人、非車并非人,，則分類器的個數(shù)是3,。

分類器的個數(shù)用k

2)       圖像庫建立

SVM方法需要建立一個比較大的樣本集，也就是圖像庫,，這個樣本集不僅僅包括正樣本,，還需要有一定數(shù)量的負樣本。通常樣本越多越好,，但不是絕對的,。

設樣本數(shù)為S

3)       ROI提取

對所有樣本中的可能包含目標的區(qū)域（比如車輛區(qū)域）手動或自動提取出來，此時包括正樣本中的目標區(qū)域,，也包括負樣本中類似車輛特征的區(qū)域或者說干擾區(qū)域,。

4)       ROI預處理

包括背景去除，圖像濾波,，或者是邊緣增強,，二值化等預處理。預處理的方法視特征的選取而定,。

5)       特征向量確定

描述一個目標,，打算用什么特征，用幾個特征,，給出每個特征的標示方法以及總的特征數(shù),，也就是常說的特征向量的維數(shù)。

對于車輛識別,，可用的特征如：車輛區(qū)域的灰度均值,、灰度方差、對稱性,、信息熵,、傅里葉描述子等等。

設特征向量的維數(shù)是L,。

6)       特征提取

確定采取的特征向量之后,，對樣本集中所有經(jīng)過預處理之后的ROI區(qū)域進行特征提取，也就是說計算每個ROI區(qū)域的所有特征值,，并將其保存,。

7)       特征向量的歸一化

常用的歸一化方法是：先對相同的特征（每個特征向量分別歸一化）進行排序,，然后根據(jù)特征的最大值和最小值重新計算特征值。

8)       核的選定

SVM的構造主要依賴于核函數(shù)的選擇,，由于不適當?shù)暮撕瘮?shù)可能會導致很差的分類結果,，并且目前尚沒有有效的學習使用何種核函數(shù)比較好，只能通過實驗結果確定采用哪種核函數(shù)比較好,。訓練的目標不同,，核函數(shù)也會不同。

核函數(shù)其實就是采用什么樣的模型描述樣本中目標特征向量之間的關系,。如常用的核函數(shù)：Gauss函數(shù)

對樣本的訓練就是計算p矩陣,，然后得出描述目標的模板和代表元。

2.        訓練

訓練就是根據(jù)選定的核函數(shù)對樣本集的所有特征向量進行計算,，構造一個使樣本可分的特征空間,。

其訓練步驟如下：

1)       用分類器將所有樣本集的特征分類

2)       根據(jù)選定的核函數(shù)分別計算每個分類器中每個特征向量的有關值

3)       根據(jù)這些特征相關值計算協(xié)方差矩陣空間

4)       對這個協(xié)方差矩陣空間進行Householder變換，也就是說將一個向量變換為由一個超平面反射的鏡像,，是一種線性變換,。超平面的法向量被稱作Householder向量。因為SVM就是在特征空間中構造最優(yōu)超平面,。

具體變換方法可參照相關文章,。里面涉及大量的矩陣運算。

5)       計算特征系數(shù)

得到協(xié)方差矩陣以及其對應的超平面矩陣,，根據(jù)這兩個矩陣分別計算每個特征的特征系數(shù),，并將特征系數(shù)對協(xié)方差矩陣進行縮放。

6)       獲得模型參數(shù)paramInvSigma,，paramLogSigma

對縮放后的協(xié)方差矩陣paramSigma求逆后,，計算模型參數(shù)。其計算方法參照程序：

for (i=0; i<numClass; i++)

       {

              for(j=0; j<size; j++)

              {

                     sigma.pdata[j]= this->paramSigma[i*size+j];

              }

              sigma.inv(invSigma);

              for(j=0; j<size; j++)

              {

                     this->paramInvSigma[i*size+j]= invSigma.pdata[j];

              }

              this-> paramLogSigma[i] = log(sigma.det())-2*log(((DOUBLE)classSample[i])/((DOUBLE)totalSample));

       }

3.        比較測試

    比較測試是SVM方法的最后一步,，也就是說通過訓練得到訓練模型參數(shù)之后,，就可根據(jù)模型參數(shù)對一個ROI區(qū)域進行計算,，判斷其歸類,。

   比較測試首先是對測試圖像進行預處理，然后提取特征,，將這些特征參數(shù)與訓練結果的模型參數(shù)進行比對,，比對方法可參照文獻中介紹的：

得到對應的類別標志：

4.        總結

SVM方法最主要的工作是樣本訓練，獲得訓練模型參數(shù),。

由于時間關系,，暫時只對SVM有這些了解，只能算對SVM有一個初步的認識,。并且上述總結都是在閱讀文獻之后的認識,，難免有不少錯誤和不足，所以本文只能作為一個小參考。在對SVM有個初步的認識之后,，需要仔細閱讀其原理,，分析其中的矩陣運算及思想。SVM中涉及大量的矩陣運算和推導,，需要弄清楚,，這樣才能明白模型參數(shù)的含義，以便于判斷當前選定的核函數(shù)是否合適,。