2. 程式人生 > >OPENCV HOG特徵+SVM分類器行人識別（從訓練到識別）

OPENCV HOG特徵+SVM分類器行人識別（從訓練到識別）

阿新 • • 發佈：2019-01-21

          想要訓練分類器，首先要有樣本，正樣本和負樣本，在這裡就是有人的樣本和沒有人的樣本，我的樣本來源於”INRIA Person Dataset”這個網站，連結為點選開啟連結，在下邊有個藍色here（970M），點選下載即可，也可以去我的網盤下載，地址點選開啟連結，主要是外國網站太難下載了，我費了很大勁才下載成功，沒必要因為樣本耽誤太多時間。

     下載了樣本解壓後，點選進去“96X160H96”這個資料夾裡放的是正樣本，“Train”資料夾下的“neg”放的是負樣本，但是負樣本需要處理一下才能成為訓練分類器的負樣本，處理程式碼如下：別忘了配置你的opencv環境，千萬千萬注意要更改圖片檔案的路徑，換成你自己的。

#include <iostream>
#include <iostream>#include <fstream>
#include <stdlib.h> //srand()和rand()函式
#include <time.h> //time()函式
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/objdetect/objdetect.hpp>
#include <opencv2/ml/ml.hpp>

using namespace std;
using namespace cv;

int CropImageCount = 0; //裁剪出來的負樣本圖片個數

int main()
{
	Mat src;
	string ImgName;

	char saveName[256];//裁剪出來的負樣本圖片檔名
	ifstream fin("INRIANegativeImageList.txt");//開啟原始負樣本圖片檔案列表
	//ifstream fin("subset.txt");

	//一行一行讀取檔案列表
	while(getline(fin,ImgName))
	{
		cout<<"處理："<<ImgName<<endl;
		ImgName = "E:\\運動目標檢測\\INRIAPerson\\Train\\neg\\" + ImgName;
	
		src = imread(ImgName,1);//讀取圖片
	
		
		//src =cvLoadImage(imagename,1);
		//cout<<"寬："<<src.cols<<"，高："<<src.rows<<endl;
	
		//圖片大小應該能能至少包含一個64*128的視窗
		if(src.cols >= 64 && src.rows >= 128)
		{
			srand(time(NULL));//設定隨機數種子

			//從每張圖片中隨機裁剪10個64*128大小的不包含人的負樣本
			for(int i=0; i<10; i++)
			{
				int x = ( rand() % (src.cols-64) ); //左上角x座標
				int y = ( rand() % (src.rows-128) ); //左上角y座標
				//cout<<x<<","<<y<<endl;
				Mat imgROI = src(Rect(x,y,64,128)); 
				sprintf(saveName,"E:\\運動目標檢測\\INRIAPerson\\negphoto\\noperson%06d.jpg",++CropImageCount);//生成裁剪出的負樣本圖片的檔名
				imwrite(saveName, imgROI);//儲存檔案
			}
		}
	}

	system("pause");
}

有了樣本就可以訓練分類器並進行識別測試了，程式碼如下：同樣要配置自己的opencv環境，更改圖片的路徑

在訓練分類器程式碼中要注意幾個#define變數的值，修改這些值會在訓練和載入已有分類器之間切換等等，可以自己看看研究下，程式碼不多，簡單易懂。

#include <iostream>
#include <fstream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/objdetect/objdetect.hpp>
#include <opencv2/ml/ml.hpp>

using namespace std;
using namespace cv;

#define PosSamNO 2400  //正樣本個數
#define NegSamNO 12000    //負樣本個數

#define TRAIN false   //是否進行訓練,true表示重新訓練，false表示讀取xml檔案中的SVM模型
#define CENTRAL_CROP true   //true:訓練時，對96*160的INRIA正樣本圖片剪裁出中間的64*128大小人體

//HardExample：負樣本個數。如果HardExampleNO大於0，表示處理完初始負樣本集後，繼續處理HardExample負樣本集。
//不使用HardExample時必須設定為0，因為特徵向量矩陣和特徵類別矩陣的維數初始化時用到這個值
#define HardExampleNO 0  


//繼承自CvSVM的類，因為生成setSVMDetector()中用到的檢測子引數時，需要用到訓練好的SVM的decision_func引數，
//但通過檢視CvSVM原始碼可知decision_func引數是protected型別變數，無法直接訪問到，只能繼承之後通過函式訪問
class MySVM : public CvSVM  
{  
public:  
    //獲得SVM的決策函式中的alpha陣列  
    double * get_alpha_vector()  
    {  
        return this->decision_func->alpha;  
    }  
  
    //獲得SVM的決策函式中的rho引數,即偏移量  
    float get_rho()  
    {  
        return this->decision_func->rho;  
    }  
}; 



int main()
{
	//檢測視窗(64,128),塊尺寸(16,16),塊步長(8,8),cell尺寸(8,8),直方圖bin個數9
	HOGDescriptor hog(Size(64,128),Size(16,16),Size(8,8),Size(8,8),9);//HOG檢測器，用來計算HOG描述子的
	int DescriptorDim;//HOG描述子的維數，由圖片大小、檢測視窗大小、塊大小、細胞單元中直方圖bin個數決定
	MySVM svm;//SVM分類器

	//若TRAIN為true，重新訓練分類器
	if(TRAIN)
	{
		string ImgName;//圖片名(絕對路徑)
		ifstream finPos("INRIAPerson96X160PosList.txt");//正樣本圖片的檔名列表
		//ifstream finPos("PersonFromVOC2012List.txt");//正樣本圖片的檔名列表
		ifstream finNeg("NoPersonFromINRIAList.txt");//負樣本圖片的檔名列表

		Mat sampleFeatureMat;//所有訓練樣本的特徵向量組成的矩陣，行數等於所有樣本的個數，列數等於HOG描述子維數	
		Mat sampleLabelMat;//訓練樣本的類別向量，行數等於所有樣本的個數，列數等於1；1表示有人，-1表示無人


		//依次讀取正樣本圖片，生成HOG描述子
		for(int num=0; num<PosSamNO && getline(finPos,ImgName); num++)
		{
			cout<<"處理："<<ImgName<<endl;
			//ImgName = "D:\\DataSet\\PersonFromVOC2012\\" + ImgName;//加上正樣本的路徑名
			ImgName = "E:\\運動目標檢測\\INRIAPerson\\96X160H96\\Train\\pos\\" + ImgName;//加上正樣本的路徑名
			Mat src = imread(ImgName);//讀取圖片
			if(CENTRAL_CROP)
				src = src(Rect(16,16,64,128));//將96*160的INRIA正樣本圖片剪裁為64*128，即剪去上下左右各16個畫素
			//resize(src,src,Size(64,128));

			vector<float> descriptors;//HOG描述子向量
			hog.compute(src,descriptors,Size(8,8));//計算HOG描述子，檢測視窗移動步長(8,8)
			//
			cout<<"描述子維數："<<descriptors.size()<<endl;

			//處理第一個樣本時初始化特徵向量矩陣和類別矩陣，因為只有知道了特徵向量的維數才能初始化特徵向量矩陣
			if( 0 == num )
			{
				DescriptorDim = descriptors.size();//HOG描述子的維數
				//初始化所有訓練樣本的特徵向量組成的矩陣，行數等於所有樣本的個數，列數等於HOG描述子維數sampleFeatureMat
				sampleFeatureMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, DescriptorDim, CV_32FC1);
				//初始化訓練樣本的類別向量，行數等於所有樣本的個數，列數等於1；1表示有人，0表示無人
				sampleLabelMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, 1, CV_32FC1);
			}

			//將計算好的HOG描述子複製到樣本特徵矩陣sampleFeatureMat
			for(int i=0; i<DescriptorDim; i++)
				sampleFeatureMat.at<float>(num,i) = descriptors[i];//第num個樣本的特徵向量中的第i個元素
			sampleLabelMat.at<float>(num,0) = 1;//正樣本類別為1，有人
		}

		//依次讀取負樣本圖片，生成HOG描述子
		for(int num=0; num<NegSamNO && getline(finNeg,ImgName); num++)
		{
			cout<<"處理："<<ImgName<<endl;
			ImgName = "E:\\運動目標檢測\\INRIAPerson\\negphoto\\" + ImgName;//加上負樣本的路徑名
			Mat src = imread(ImgName);//讀取圖片
			//resize(src,img,Size(64,128));

			vector<float> descriptors;//HOG描述子向量
			hog.compute(src,descriptors,Size(8,8));//計算HOG描述子，檢測視窗移動步長(8,8)
			//cout<<"描述子維數："<<descriptors.size()<<endl;

			//將計算好的HOG描述子複製到樣本特徵矩陣sampleFeatureMat
			for(int i=0; i<DescriptorDim; i++)
				sampleFeatureMat.at<float>(num+PosSamNO,i) = descriptors[i];//第PosSamNO+num個樣本的特徵向量中的第i個元素
			sampleLabelMat.at<float>(num+PosSamNO,0) = -1;//負樣本類別為-1，無人
			
		}

		//處理HardExample負樣本
		if(HardExampleNO > 0)
		{
			ifstream finHardExample("HardExample_2400PosINRIA_12000NegList.txt");//HardExample負樣本的檔名列表
			//依次讀取HardExample負樣本圖片，生成HOG描述子
			for(int num=0; num<HardExampleNO && getline(finHardExample,ImgName); num++)
			{
				cout<<"處理："<<ImgName<<endl;
				ImgName = "D:\\DataSet\\HardExample_2400PosINRIA_12000Neg\\" + ImgName;//加上HardExample負樣本的路徑名
				Mat src = imread(ImgName);//讀取圖片
				//resize(src,img,Size(64,128));

				vector<float> descriptors;//HOG描述子向量
				hog.compute(src,descriptors,Size(8,8));//計算HOG描述子，檢測視窗移動步長(8,8)
				//cout<<"描述子維數："<<descriptors.size()<<endl;

				//將計算好的HOG描述子複製到樣本特徵矩陣sampleFeatureMat
				for(int i=0; i<DescriptorDim; i++)
					sampleFeatureMat.at<float>(num+PosSamNO+NegSamNO,i) = descriptors[i];//第PosSamNO+num個樣本的特徵向量中的第i個元素
				sampleLabelMat.at<float>(num+PosSamNO+NegSamNO,0) = -1;//負樣本類別為-1，無人
			}
		}

		//輸出樣本的HOG特徵向量矩陣到檔案
	/*	ofstream fout("SampleFeatureMat.txt");
		for(int i=0; i<PosSamNO+NegSamNO; i++)
		{
			fout<<i<<endl;
			for(int j=0; j<DescriptorDim; j++)
			{	fout<<sampleFeatureMat.at<float>(i,j)<<"  ";
	              		
			}
			fout<<endl;
		}*/

		//訓練SVM分類器
		//迭代終止條件，當迭代滿1000次或誤差小於FLT_EPSILON時停止迭代
		CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 1000, FLT_EPSILON);
		//SVM引數：SVM型別為C_SVC；線性核函式；鬆弛因子C=0.01
		CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria);
		cout<<"開始訓練SVM分類器"<<endl;
		svm.train(sampleFeatureMat,sampleLabelMat, Mat(), Mat(), param);//訓練分類器
		cout<<"訓練完成"<<endl;
		svm.save("SVM_HOG.xml");//將訓練好的SVM模型儲存為xml檔案

	}
	else //若TRAIN為false，從XML檔案讀取訓練好的分類器
	{
		//svm.load("SVM_HOG_2400PosINRIA_12000Neg_HardExample(誤報少了漏檢多了).xml");//從XML檔案讀取訓練好的SVM模型
		svm.load("SVM_HOG.xml");
	}


	/*************************************************************************************************
	線性SVM訓練完成後得到的XML檔案裡面，有一個數組，叫做support vector，還有一個數組，叫做alpha,有一個浮點數，叫做rho;
	將alpha矩陣同support vector相乘，注意，alpha*supportVector,將得到一個列向量。之後，再該列向量的最後新增一個元素rho。
	如此，變得到了一個分類器，利用該分類器，直接替換opencv中行人檢測預設的那個分類器（cv::HOGDescriptor::setSVMDetector()），
	就可以利用你的訓練樣本訓練出來的分類器進行行人檢測了。
	***************************************************************************************************/
	DescriptorDim = svm.get_var_count();//特徵向量的維數，即HOG描述子的維數
	int supportVectorNum = svm.get_support_vector_count();//支援向量的個數
	cout<<"支援向量個數："<<supportVectorNum<<endl;

	Mat alphaMat = Mat::zeros(1, supportVectorNum, CV_32FC1);//alpha向量，長度等於支援向量個數
	Mat supportVectorMat = Mat::zeros(supportVectorNum, DescriptorDim, CV_32FC1);//支援向量矩陣
	Mat resultMat = Mat::zeros(1, DescriptorDim, CV_32FC1);//alpha向量乘以支援向量矩陣的結果

	//將支援向量的資料複製到supportVectorMat矩陣中
	for(int i=0; i<supportVectorNum; i++)
	{
		const float * pSVData = svm.get_support_vector(i);//返回第i個支援向量的資料指標
		for(int j=0; j<DescriptorDim; j++)
		{
			//cout<<pData[j]<<" ";
			supportVectorMat.at<float>(i,j) = pSVData[j];
		}
	}

	//將alpha向量的資料複製到alphaMat中
	double * pAlphaData = svm.get_alpha_vector();//返回SVM的決策函式中的alpha向量
	for(int i=0; i<supportVectorNum; i++)
	{
		alphaMat.at<float>(0,i) = pAlphaData[i];
	}

	//計算-(alphaMat * supportVectorMat),結果放到resultMat中
	//gemm(alphaMat, supportVectorMat, -1, 0, 1, resultMat);//不知道為什麼加負號？
	resultMat = -1 * alphaMat * supportVectorMat;

	//得到最終的setSVMDetector(const vector<float>& detector)引數中可用的檢測子
	vector<float> myDetector;
	//將resultMat中的資料複製到陣列myDetector中
	for(int i=0; i<DescriptorDim; i++)
	{
		myDetector.push_back(resultMat.at<float>(0,i));
	}
	//最後新增偏移量rho，得到檢測子
	myDetector.push_back(svm.get_rho());
	cout<<"檢測子維數："<<myDetector.size()<<endl;
	//設定HOGDescriptor的檢測子
	HOGDescriptor myHOG;
	myHOG.setSVMDetector(myDetector);
	//myHOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());

	//儲存檢測子引數到檔案
	ofstream fout("HOGDetectorForOpenCV.txt");
	for(int i=0; i<myDetector.size(); i++)
	{
		fout<<myDetector[i]<<endl;
	}


	/**************讀入圖片進行HOG行人檢測******************/
	Mat src = imread("00000.jpg");
	//Mat src = imread("2007_000423.jpg");
	//Mat src = imread("1.png");
	vector<Rect> found, found_filtered;//矩形框陣列
	cout<<"進行多尺度HOG人體檢測"<<endl;
	myHOG.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);//對圖片進行多尺度行人檢測
	 //src為輸入待檢測的圖片；found為檢測到目標區域列表；引數3為程式內部計算為行人目標的閾值，也就是檢測到的特徵到SVM分類超平面的距離;
    //引數4為滑動視窗每次移動的距離。它必須是塊移動的整數倍；引數5為影象擴充的大小；引數6為比例係數，即測試圖片每次尺寸縮放增加的比例；
    //引數7為組閾值，即校正係數，當一個目標被多個視窗檢測出來時，該引數此時就起了調節作用，為0時表示不起調節作用。
	cout<<"找到的矩形框個數："<<found.size()<<endl;

	//找出所有沒有巢狀的矩形框r,並放入found_filtered中,如果有巢狀的話,則取外面最大的那個矩形框放入found_filtered中
	for(int i=0; i < found.size(); i++)
	{
		Rect r = found[i];
		int j=0;
		for(; j < found.size(); j++)
			if(j != i && (r & found[j]) == r)
				break;
		if( j == found.size())
			found_filtered.push_back(r);
	}

	//畫矩形框，因為hog檢測出的矩形框比實際人體框要稍微大些,所以這裡需要做一些調整
	for(int i=0; i<found_filtered.size(); i++)
	{
		Rect r = found_filtered[i];
		r.x += cvRound(r.width*0.1);
		r.width = cvRound(r.width*0.8);
		r.y += cvRound(r.height*0.07);
		r.height = cvRound(r.height*0.8);
		rectangle(src, r.tl(), r.br(), Scalar(0,255,0), 3);
	}

	imwrite("ImgProcessed.jpg",src);
	namedWindow("src",0);
	imshow("src",src);
	waitKey();//注意：imshow之後必須加waitKey，否則無法顯示影象
	

	/******************讀入單個64*128的測試圖並對其HOG描述子進行分類*********************/
	////讀取測試圖片(64*128大小)，並計算其HOG描述子
	//Mat testImg = imread("person014142.jpg");
	//Mat testImg = imread("noperson000026.jpg");
	//vector<float> descriptor;
	//hog.compute(testImg,descriptor,Size(8,8));//計算HOG描述子，檢測視窗移動步長(8,8)
	//Mat testFeatureMat = Mat::zeros(1,3780,CV_32FC1);//測試樣本的特徵向量矩陣
	//將計算好的HOG描述子複製到testFeatureMat矩陣中
	//for(int i=0; i<descriptor.size(); i++)
	//	testFeatureMat.at<float>(0,i) = descriptor[i];

	//用訓練好的SVM分類器對測試圖片的特徵向量進行分類
	//int result = svm.predict(testFeatureMat);//返回類標
	//cout<<"分類結果："<<result<<endl;

	

	system("pause");
}

想下載我的程式可點選下列連結：


相關推薦

OPENCV HOG特徵+SVM分類器行人識別（從訓練到識別）

          想要訓練分類器，首先要有樣本，正樣本和負樣本，在這裡就是有人的樣本和沒有人的樣本，我的樣本來源於”INRIA Person Dataset”這個網站，連結為點選開啟連結，在下邊有個藍色here（970M），點選下載即可，也可以去我的網盤下載，地址點選開啟

OpenCV機器學習：SVM分類器實現MNIST手寫數字識別

0. 開發環境 最近機器學習隨著AI人工智慧的興起越來越火，博主想找一些ML的庫來練手。突然想起之前在看Opencv的doc時發現有ML的component，於是心血來潮就開始寫程式碼試試。話不多說，直接進正題。 以下我的開發環境配置： -Windows7

SVM分類器的實現（包括交叉驗證選擇引數，Dlib，視覺化）

慣例先放結果圖，左側為訓練樣本，右側為訓練完後的分類演示圖 Dlib的支援向量機用起來比Opencv的爽多了， 支援交叉驗證， 降低支援向量的個數 以及兩種方式判別類別（正負以及可能性兩種） 然後就是簡單粗暴的程式碼了： //需要配置Opencv以及Dlib的環境

使用Pytorch訓練分類器詳解（附python演練）！

【前言】：你已經瞭解瞭如何定義神經網路，計算loss值和網路裡權重的更新。現在你也許會想資料怎麼樣？ 目錄： 一．資料 二．訓練一個影象分類器 使用torchvision載入並且歸一化CIFAR10的訓練和測試資料集 定義一個卷積神經網路 定義一個損失函式 在

利用Hog特徵和SVM分類器進行行人檢測

https://blog.csdn.net/qianqing13579/article/details/46509037 梯度直方圖特徵(HOG) 是一種對影象區域性重疊區域的密集型描述符, 它通過計算區域性區域的梯度方向直方圖來構成特徵。Hog特徵結合SVM分類器已經被廣

自己訓練SVM分類器進行HOG行人檢測

正樣本來源是INRIA資料集中的96*160大小的人體圖片，使用時上下左右都去掉16個畫素，擷取中間的64*128大小的人體。 SVM使用的是OpenCV自帶的CvSVM類。 首先計算正負樣本影象的HOG描述子，組成一個特徵向量矩陣，對應的要有一個指定每個特徵向量的類別的

車輛識別（特徵提取+svm分類器）

以下為udacity的SDCND的一個專案 ps：這裡使用的是用opencv進行特徵提取+svm分類器的方法實現物體檢測，是在深度學習流行前比較經典的實現方法 專案描述： 使用openCV提取圖片特徵，訓練svm分類器，分類車輛與非車輛。用訓練好的模型識別汽車前置攝

提取HOG特徵訓練SVM分類器（一）HOG篇

利用hog特徵訓練svm分類器的總體思路：1、提取正負樣本hog特徵 2、投入svm分類器訓練，得到model3、由model生成檢測子4、利用檢測子檢測負樣本，得到hardexample 5、提取hardexample的hog特徵並結合第一步中的特徵一起投入訓練，得到最終

OpenCV HOG+SVM行人檢測：從訓練到檢測

以現在使用的OpenCV 2.4.10為例，行人檢測的Demo在“D:\opencv\sources\samples\cpp\peopledetect.cpp”下，原始碼如下所示： #include "opencv2/imgproc/imgproc.hpp" #incl

『科學計算』從Logistic回歸到SVM分類器

zoom ram edi 情況下 投影 導出 bmp 幾何 sig 轉自：http://blog.csdn.net/v_july_v/article/details/7624837 前言 動筆寫這個支持向量機(support vector machine)是費了不少

利用 sklearn SVM 分類器對 IRIS 資料集分類

利用 sklearn SVM 分類器對 IRIS 資料集分類 支援向量機（SVM）是一種最大化分類間隔的線性分類器（如果不考慮核函式）。通過使用核函式可以用於非線性分類。SVM 是一種判別模型，既適用於分類也適用於迴歸問題，標準的 SVM 是二分類器，可以採用 “one vs one”

hog+svm 實現行人檢測（C++ opencv3.4）

最近想學下傳統機器學習方法來實現目標檢測，從頭到尾下來記錄下自己的程式碼過程行人檢測加粗樣式 資料集準備：INRIA行人檢測資料集百度雲下載，http://pan.baidu.com/s/1eSdlw7g 下載完之後我們解壓可以看到資料集檔案分佈 INRIADA

MINIST | 基於樸素貝葉斯分類器的0-9數字手寫體識別

概要： 本實驗基於MINIST資料集，採用樸素貝葉斯分類器，實現了0-9數字手寫體的識別。本文將簡要介紹這一方法的原理、程式碼實現以及在程式設計過程中需要注意的若干問題，程式碼仍然是用MATLAB寫成的。 關鍵字： MATLAB; 影象處理; 數字手寫體識別

『sklearn學習』不同的 SVM 分類器

#! usr/bin/env python # coding:utf-8 """ __author__ = "LCG22" __date__ = "2016-12-5" """ import nu

opencv之級聯分類器訓練屬於自己的xml檔案

            基礎知識這裡就不講了，最近在做車牌識別系統中的車牌定位演算法，只講講自己訓練的可以進行車牌定位的xml檔案。這裡我是用的是opencv2.4.4版的opencv_creates

Matlab-SVM分類器

支援向量機（Support Vector Machine，SVM)，可以完成對資料的分類，包括線性可分情況和線性不可分情況。 1、線性可分 首先，對於SVM來說，它用於二分類問題，也就是通過尋找一個分類線(二維是直線，三維是平面，多維是超平面）可以將

Python構建SVM分類器（線性）

1.SVM建立線性分類器SVM用來構建分類器和迴歸器的監督學習模型，SVM通過對數學方程組的求解，可以找出兩組資料之間的最佳分割邊界。2.準備工作我們首先對資料進行視覺化，使用的檔案來自學習書籍配套管網。首先增加以下程式碼：import numpy as np import

機器學習之旅---SVM分類器

本次內容主要講解什麼是支援向量，SVM分類是如何推導的，最小序列SMO演算法部分推導。 最後給出線性和非線性2分類問題的smo演算法matlab實現程式碼。 一、什麼是支援向量機(Support Vector Machine) 本節內容部

用Python實現一個SVM分類器策略

支援向量機(SVM)是什麼意思？ 正好最近自己學習機器學習，看到reddit上 Please explain Support Vector Machines (SVM) like I am a 5 year old 的帖子，一個字贊！於是整理一下和大家分享。(如有錯歡迎指教！) 什麼

K近鄰分類器(KNN)手寫數字(MNIST)識別

KNN(K-Nearest-Neighbor) 是分類演算法中比較簡單的一個演算法。演算法思想非常簡單：對於一個未知類別的樣例，我們在很多已知類別的樣本中找出跟它最相近的K個樣本，賦予該樣例這K個樣本中佔多數的類別。 如圖中所示，如果我們選取