Opencv CvSVM.predict()给出';楠';输出和低精度
我使用CvSVM只对两种面部表情进行分类。我使用基于LBP(局部二进制模式)的直方图从图像中提取特征,并使用Opencv CvSVM.predict()给出';楠';输出和低精度,opencv,svm,Opencv,Svm,我使用CvSVM只对两种面部表情进行分类。我使用基于LBP(局部二进制模式)的直方图从图像中提取特征,并使用cvSVM::train(data\u-mat,labels\u-mat,mat(),mat(),params)进行训练,其中 数据_mat的大小为200x3452,包含200个样本的标准化(0-1)特征直方图,采用行主形式,每个特征3452个(取决于邻域点的数量) labels_mat是只包含两个值0和1的对应标签矩阵。 参数包括: CvSVMParams参数 params.svm_ty
cvSVM::train(data\u-mat,labels\u-mat,mat(),mat(),params)
进行训练,其中
数据_mat的大小为200x3452,包含200个样本的标准化(0-1)特征直方图,采用行主形式,每个特征3452个(取决于邻域点的数量)
labels_mat是只包含两个值0和1的对应标签矩阵。
参数包括:
CvSVMParams参数
params.svm_type =CvSVM::C_SVC;
params.kernel_type =CvSVM::LINEAR;
params.C =0.01;
params.term_crit=cvTermCriteria(CV_TERMCRIT_ITER,(int)1e7,1e-7);
问题在于:-
CvSVM::predict(测试数据,真)
给出“NaN”输出我将非常感谢您在这方面提供的任何帮助,这让我感到困惑。我想,您的类在您使用的特征空间中是线性硬/不可分离的。 在分类器训练步骤之前,最好对数据集应用PCA 并估计该问题的有效维数。 另外,我认为使用其他分类器测试数据集是很有用的。 为此,您可以采用标准opencv示例points_classifier.cpp。
它包括许多不同的分类器,具有相似的界面,您可以使用。SVM的泛化能力很低。首先,通过主成分分析降低数据维度,然后将SVM kerenl类型更改为RBF