OpenCV - SVM算法

一、OpenCV 里的 SVM 在解决什么问题？

给定：

一堆 特征向量（HOG、LBP、SURF、手工特征）
每个向量有一个 类别标签

OpenCV 的 SVM要做的是：

学一个判别函数：这个特征，更像 A 还是 B？

https://www.bilibili.com/video/BV1r44y1q7be/?spm_id_from=333.788.recommend_more_video.-1&trackid=web_related_0.router-related-2206419-fjhdv.1769333083870.418&vd_source=52997da921a43b4ed3611981bbdf91a4

二、数学本质

1️⃣ 线性 SVM（OpenCV 用得最多）

判别函数：

2️⃣ 为什么 SVM 特别适合 HOG？

高维
稀疏
梯度方向统计
近似线性可分

线性 SVM 正好是 HOG 的"最优拍档"

三、OpenCV SVM

在 OpenCV 中：

复制代码

cv::Ptr<cv::ml::SVM> svm = cv::ml::SVM::create();

它是：

C++ 实现
CPU 为主
适合：
- 几千到几十万样本
- 几百～几千维特征

❌ 不适合大规模深度特征

四、OpenCV 支持的 SVM 类型

类型	用途
`C_SVC`	分类（最常用）
`NU_SVC`	分类（nu 参数）
`EPS_SVR`	回归
`NU_SVR`	回归
`ONE_CLASS`	异常检测

五、OpenCV-SVM 的典型使用流程

cpp 复制代码

1️⃣ 准备训练数据
cv::Mat samples; // N × D
cv::Mat labels;  // N × 1

2️⃣ 创建 & 配置 SVM
auto svm = cv::ml::SVM::create();
svm->setType(cv::ml::SVM::C_SVC);
svm->setKernel(cv::ml::SVM::LINEAR);
svm->setC(1.0);

3️⃣ 训练
svm->train(samples, cv::ml::ROW_SAMPLE, labels);

4️⃣ 预测
float response = svm->predict(sample);

为什么 OpenCV-SVM "现在不火了"？

不是 SVM 不行，而是：

CNN 把特征 + 分类一起学了
SVM 不端到端
对复杂形变能力有限

但在这些场景它依然非常强：

✔ 小样本

✔ 强解释性

✔ 工业项目

✔ 算力受限