OpenCV-Python实战（30）——基于支持向量机的交通标志识别模型

OpenCV-Python实战（30）——基于支持向量机的交通标志识别模型0. 前言1. 规划应用程序2. 监督学习概念简介2.1 训练过程2.2 测试过程3. GTSRB 数据集3.1 解析数据集4. 数据集特征提取4.1 常见的预处理方法4.2 灰度特征4.3 色彩空间4.4 SURF 描述符4.5 HOG描述符5. 支持向量机5.1使用 SVM 进行多分类5.2 训练 SVM5.3 测试 SVM6. 整合所有内容7. 用神经网络改进结果小结系列链接0. 前言我们之前已经学习了如何通过关键点和特征来描述物体，以及如何在同一个物理物体的两幅不同图像中找到对应点。然而，在现实环境中识别物体并将其归入概念类别时，我们之前的方法相当受限。例如，在《使用 Kinect 深度传感器进行手势识别》中，图像中的目标物体是一只手，而且它必须正好位于屏幕中央，我们的目标是消除这些限制。本节的目的是训练一个多类分类器以识别交通标志。在本节中，我们将学习如何将机器学习模型应用于实际问题，如何使用已有的数据集来训练模型，还将学习如何使用支持向量机 (Support Vector Machine,SVM) 进行多类分类，以及如何训练、测试和改进 OpenCV 提供的机器学习算法，以实现实际任务。我们将训练一个SVM来识别各种交通标志。尽管SVM是二类分类器(即它们最多只能学习两个类别——正例和负例、动物和非动物等)，但可以将其扩展用于多类分类。为了获得良好的分类性能，我们将探索多种颜色空间以及方向梯度直方图 (Histogram of Oriented Gradient,HOG) 特征。最终的结果将是一个能够以非常高的准确率区分数据集中40多种不同标志的分类器。当我们希望让自己的视觉相关应用更加智能时，学习机器学习的基础知识将非常有用。本节将介绍机器学习的基础知识，后续学习将在此基础上进一步展