C# EmguCv中使用哪种策略进行SVM分类？

目前我正在做我的学术项目（社交媒体网站）。我的意图是，当用户发布一张图像时，系统应该识别该人脸并在其上贴上她的名字

作为之前的工作，我创建了5个用户。 对于训练图像，当用户设置其个人资料照片时，系统将使用EmguCv（DetectHarCascade）检测它，并将图像保存为文件夹中的位图。该面的标签将是用户的用户Id，标签保存在文件夹中的文本文件中。 作为培训图片，我上传并为每个用户标记了10张图片

下一部分是当用户发布照片时。系统应该识别人脸，并在其上贴上她的名字。我正在使用支持向量机进行识别和分类

我的检测代码：

    //Face Detection
    MCvAvgComp[][] facesDetected = gray.DetectHaarCascade(
                      haar,
                      1.2,
                      4,
                      HAAR_DETECTION_TYPE.DO_CANNY_PRUNING,
                      new Size(20, 20));
    foreach (MCvAvgComp f in facesDetected[0])
    {
     result = currentFrame.Copy(f.rect).Convert<Gray, byte>().Resize(100, 100, Emgu.CV.CvEnum.INTER.CV_INTER_CUBIC);
     // at the beginning i am added all the existing images to an List<Image<Gray, byte>> trainingImages and labels to List<string> labels 
     trainingImages.Add(result );
     labels.Add(Session["UserId"].ToString())
     File.WriteAllText((Server.MapPath("~/TrainedFaces/TrainedLabels.txt")), trainingImages.ToArray().Length.ToString() + "%");

       for (int i = 1; i < trainingImages.ToArray().Length + 1; i++)
       {
        //saving the trained images and labells
        trainingImages.ToArray()[i - 1].Save(Server.MapPath("~/TrainedFaces/") + "face" + i + ".bmp");
        File.AppendAllText(Server.MapPath("~/TrainedFaces/TrainedLabels.txt"), labels.ToArray()[i - 1] + "%");
       }
   }

MCvAvgComp[][] faces=grayFrame.DetectHaarCascade(haar,1.2,10,HAAR_DETECTION_TYPE.DO_CANNY_PRUNING,new Size(20, 20));
foreach (MCvAvgComp face in faces[0])
        {
            InputFrame.Draw(face.rect, new Bgr(Color.Red), 1);
            t = t + 1;
            Image<Gray, float> result = InputFrame.Copy(face.rect).Convert<Gray, float>().Resize(100, 100, Emgu.CV.CvEnum.INTER.CV_INTER_CUBIC);
            //result._EqualizeHist();
            Matrix<float> TestImageMatix = new Matrix<float>(result.Width, result.Height);
            result.CopyTo(TestImageMatix);
            Matrix<float> TestData = new Matrix<float>(1, result.Width * result.Height);
            int z = 0;
            for (int k = 0; k < TestImageMatix.Rows; k++)
            {
                for (int j = 0; j < TestImageMatix.Cols; j++)
                {
                    TestData.Data[0, z] = TestImageMatix[k, j];
                    z++;
                }
            }
            //Here I will Get the UserId as class label. I can find name from database using this Id
            float result1 = model.Predict(TestData);

//人脸检测
MCvAvgComp[][]面检测=灰色。检测ARCASCADE(
哈尔，
1.2,
4.
HAAR_检测类型。DO_CANNY_修剪，
新尺寸（20,20））；
foreach（检测到面中的MCvAvgComp f[0]）
{
结果=currentFrame.Copy（f.rect）.Convert（）.Resize（100100，Emgu.CV.CvEnum.INTER.CV\u INTER\u CUBIC）；
//开始时，我将所有现有图像添加到列表中培训图像和标签以列出标签
培训图像。添加（结果）；
labels.Add（会话[“UserId”].ToString（））
File.WriteAllText（（Server.MapPath（“~/TrainedFaces/TrainedLabels.txt”）），trainingImages.ToArray（）.Length.ToString（）+“%”；
对于（int i=1；i

我的SVM培训代码：

/*
1. Loaded all the images to trainingImages
2.Loaded all the labels to labels
*/

// Converting My labesl and images to Matrix for preparing training data and training label    

     Matrix<float> TrainindData = new Matrix<float>(trainingImages.Count, 100 * 100);
        int ii = 0;

        foreach (Image<Gray, float> img in trainingImages)
        {
            int jj = 0;
            Matrix<float> Imagemtrx = new Matrix<float>(img.Width, img.Height);
            img.CopyTo(Imagemtrx);
            for (int k = 0; k < Imagemtrx.Rows; k++)
            {
                for (int j = 0; j < Imagemtrx.Cols; j++)
                {
                    TrainindData.Data[ii, jj] = Imagemtrx[k, j];
                    jj++;
                }
            }
            ii++;
        }
        Matrix<float> TrainedLabels = new Matrix<float>(labels.Count, 1);
        int kk = 0;
        foreach (int lab in labels)
        {
            TrainedLabels[kk, 0] = lab;
            kk++;
        }

     SVM model = new SVM();

     SVMParams p = new SVMParams();
        p.KernelType = Emgu.CV.ML.MlEnum.SVM_KERNEL_TYPE.LINEAR;
        //p.SVMType = Emgu.CV.ML.MlEnum.SVM_TYPE.ONE_CLASS;
        p.SVMType = Emgu.CV.ML.MlEnum.SVM_TYPE.C_SVC;
        p.C = 1;
        p.TermCrit = new MCvTermCriteria(100, 0.00001);

        bool trained = model.Train(TrainindData, TrainedLabels, null, null, p);

/*
1.将所有图像加载到trainingImages
2.将所有标签加载到标签
*/
//将我的labesl和图像转换为矩阵以准备训练数据和训练标签
矩阵TrainindData=新矩阵（trainingImages.Count，100*100）；
int ii=0；
foreach（培训图像中的图像img）
{
int jj=0；
矩阵Imagemtrx=新矩阵（img.宽度，img.高度）；
图像复制到（图像MTRX）；
对于（int k=0；k

我的识别和分类代码：

    //Face Detection
    MCvAvgComp[][] facesDetected = gray.DetectHaarCascade(
                      haar,
                      1.2,
                      4,
                      HAAR_DETECTION_TYPE.DO_CANNY_PRUNING,
                      new Size(20, 20));
    foreach (MCvAvgComp f in facesDetected[0])
    {
     result = currentFrame.Copy(f.rect).Convert<Gray, byte>().Resize(100, 100, Emgu.CV.CvEnum.INTER.CV_INTER_CUBIC);
     // at the beginning i am added all the existing images to an List<Image<Gray, byte>> trainingImages and labels to List<string> labels 
     trainingImages.Add(result );
     labels.Add(Session["UserId"].ToString())
     File.WriteAllText((Server.MapPath("~/TrainedFaces/TrainedLabels.txt")), trainingImages.ToArray().Length.ToString() + "%");

       for (int i = 1; i < trainingImages.ToArray().Length + 1; i++)
       {
        //saving the trained images and labells
        trainingImages.ToArray()[i - 1].Save(Server.MapPath("~/TrainedFaces/") + "face" + i + ".bmp");
        File.AppendAllText(Server.MapPath("~/TrainedFaces/TrainedLabels.txt"), labels.ToArray()[i - 1] + "%");
       }
   }

MCvAvgComp[][] faces=grayFrame.DetectHaarCascade(haar,1.2,10,HAAR_DETECTION_TYPE.DO_CANNY_PRUNING,new Size(20, 20));
foreach (MCvAvgComp face in faces[0])
        {
            InputFrame.Draw(face.rect, new Bgr(Color.Red), 1);
            t = t + 1;
            Image<Gray, float> result = InputFrame.Copy(face.rect).Convert<Gray, float>().Resize(100, 100, Emgu.CV.CvEnum.INTER.CV_INTER_CUBIC);
            //result._EqualizeHist();
            Matrix<float> TestImageMatix = new Matrix<float>(result.Width, result.Height);
            result.CopyTo(TestImageMatix);
            Matrix<float> TestData = new Matrix<float>(1, result.Width * result.Height);
            int z = 0;
            for (int k = 0; k < TestImageMatix.Rows; k++)
            {
                for (int j = 0; j < TestImageMatix.Cols; j++)
                {
                    TestData.Data[0, z] = TestImageMatix[k, j];
                    z++;
                }
            }
            //Here I will Get the UserId as class label. I can find name from database using this Id
            float result1 = model.Predict(TestData);

MCvAvgComp[]faces=grayFrame.detectsaarcascade（haar，1.2,10，haar_检测类型。DO_CANNY_修剪，新大小（20,20））；
foreach（面[0]中的MCvAvgComp面）
{
InputFrame.Draw（face.rect，新Bgr（颜色.红色），1）；
t=t+1；
Image result=InputFrame.Copy（face.rect）.Convert（）.Resize（100100，Emgu.CV.CvEnum.INTER.CV\u INTER\u CUBIC）；
//结果；
矩阵TestImageMatix=新矩阵（结果.宽度，结果.高度）；
结果：复制到（Testimagmatix）；
矩阵TestData=新矩阵（1，结果.宽度*结果.高度）；
int z=0；
对于（int k=0；k

现在的问题是，当我上传一张属于任何一个现有类别的图片时，它会正确识别这个人。但是当我发布一张不同的照片（社交媒体上没有的人的照片）时，它就会被分配到一个现有的类别标签上

我的问题是：

我只想识别正确的人。剩余的可以标记为未知或其他（我不知道是否需要任何其他方法）

我阅读了关于一对一和一对所有策略的文章。我的代码中使用了哪一种策略

如果没有人使用，那么如何实现它们

Emgu CV已经包含SVM。它使用哪种类型

我读过关于一对一和一对所有策略的文章。我的代码中使用了哪种策略？如果没有使用，那么如何实现它们？Emgu CV已经包含了SVM。它使用了哪种类型

您使用的是一对所有策略，该策略在OpenCV中使用

n*（n-1）/2

One-vs-One分类器实现（

n

是标签的数量）

我只想识别正确的人。剩余的可以标记为未知或其他（我不知道是否需要任何其他方法）

您可以构建

n*（n-1）/2

One Vs One分类器，然后从

predict

获取原始响应（仅适用于2类问题）。大多数响应识别输出类。 如果分类类的最大响应低于阈值，则如果正确识别，可以说该类没有响应

或者您可以使用