總感覺自己停留在碼農的初級階段，要想更上一層，就得靜下心來，好好研究一下演算法的東西。OpenCV作為一個計算機視覺的開源庫，肯定不會只停留在數字影象處理的初級階段，我也得加油，深入研究它的演算法庫。就從ml入手吧，最近做東西遇到隨機森林，被搞的頭大，深深感覺自己肚子裡貨太少，關鍵時刻調不出東西來。切勿浮躁，一點點研究吧。

這次就先介紹一下機器學習中的一個常用演算法SVM演算法，即支援向量機Support Vector Machine（SVM），是一種有監督學習方法，更多介紹請見維基百科http://zh.wikipedia.org/wiki/SVM。

OpenCV開發SVM演算法是基於LibSVM軟體包開發的，LibSVM是臺灣大學林智仁(Lin Chih-Jen)等開發設計的一個簡單、易於使用和快速有效的SVM模式識別與迴歸的軟體包。用OpenCV使用SVM演算法的大概流程是

1）設定訓練樣本集

需要兩組資料，一組是資料的類別，一組是資料的向量資訊。

2）設定SVM引數

利用CvSVMParams類實現類內的成員變數svm_type表示SVM型別：

CvSVM：：C_SVC C-SVC

CvSVM：：NU_SVCv-SVC

CvSVM：：ONE_CLASS一類SVM

CvSVM：：EPS_SVRe-SVR

CvSVM：：NU_SVRv-SVR

成員變數kernel_type表示核函式的型別：

CvSVM：：LINEAR線性：u‘v

CvSVM：：POLY多項式：(r*u'v + coef0)^degree

CvSVM：：RBFRBF函式：exp(-r|u-v|^2)

CvSVM：：SIGMOIDsigmoid函式：tanh(r*u'v + coef0)

成員變數degree針對多項式核函式degree的設定，gamma針對多項式/rbf/sigmoid核函式的設定，coef0針對多項式/sigmoid核函式的設定，Cvalue為損失函式，在C-SVC、e-SVR、v-SVR中有效，nu設定v-SVC、一類SVM和v-SVR引數，p為設定e-SVR中損失函式的值，class_weightsC_SVC的權重，term_crit為SVM訓練過程的終止條件。其中預設值degree = 0，gamma = 1，coef0 = 0，Cvalue = 1，nu = 0，p = 0，class_weights = 0

3）訓練SVM

呼叫CvSVM：：train函式建立SVM模型，第一個引數為訓練資料，第二個引數為分類結果，最後一個引數即CvSVMParams

4）用這個SVM進行分類

呼叫函式CvSVM：：predict實現分類

5）獲得支援向量

除了分類，也可以得到SVM的支援向量，呼叫函式CvSVM：：get_support_vector_count獲得支援向量的個數，CvSVM：：get_support_vector獲得對應的索引編號的支援向量。

實現程式碼如下：

	// step 1:
	float labels[4] = {1.0, -1.0, -1.0, -1.0};
	Mat labelsMat(3, 1, CV_32FC1, labels);
	
	float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };
	Mat trainingDataMat(3, 2, CV_32FC1, trainingData);

	// step 2:
	CvSVMParams params;
	params.svm_type = CvSVM::C_SVC;
	params.kernel_type = CvSVM::LINEAR;
	params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);
	
	// step 3:
	CvSVM SVM;
	SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
	
	// step 4:
	Vec3b green(0, 255, 0), blue(255, 0, 0);
	for (int i=0; i<image.rows; i++)
	{
		for (int j=0; j<image.cols; j++)
		{
			Mat sampleMat = (Mat_<float>(1,2) << i,j);
			float response = SVM.predict(sampleMat);

			if (fabs(response-1.0) < 0.0001)
			{
				image.at<Vec3b>(j, i) = green;
			}
			else if (fabs(response+1.0) < 0.001)
			{
				image.at<Vec3b>(j, i) = blue;
			}
		}
	}

	// step 5:
	int c = SVM.get_support_vector_count();

	for (int i=0; i<c; i++)
	{
		const float* v = SVM.get_support_vector(i);
	}