6. 学习对象分类
本章介绍机器学习的基本概念，以便对不同的图像进行分类。对于检测到的对象，我们使用机器学习算法提取被分类对象的不同特征。基于上一章的分割算法，创建 GUI 程序显示分类结果。
本章介绍以下主题：
6.1 技术要求
6.2 机器学习概念介绍
学习提示
笔记不会记录机器学习有关概念，如果要系统学习建议从机器学习原理部分系统化学习。
下面我们将使用监督学习和分类算法，这需要使用带有标签的数据集来训练模型。
下面是一些比较流行的方法：
- 支持向量机（SVM）
- 人工神经网络（ANN）
- 聚类
- K-最近邻（KNN）
- 决策树
- 深度学习
本章我们将解释支持向量机。
OpenCV 机器学习算法
OpenCV 实现了其中八种机器学习算法，所有这些算法都继承自 StatModel 类，这八种算法是:
- 人工神经网络
- 随机树
- 期望最大化
- K-最近邻
- 逻辑回归
- 朴素贝叶斯分类器
- 支持向量机
- 随机梯度下降 SVM
StatModel 是 SVM 或 ANN 等机器学习类的基类，提供所有预测和读写等功能。StatModel 基本上是一个虚拟的类，其两个最重要的函数 train() 和 predict()。train() 方法是负责训练数据集学习模型参数的主要方法，存在下面几种声明方式：
virtual bool train(const Ptr<TrainData>& trainData, int flag=0);
virtual bool train(InputArray samples, int layout, InputArray responses);
template<typename _Tp> static Ptr<_Tp> train(const Ptr<TrainData>& data, int flags=0)
其参数含义：
trainData：从TrainData类加载或创建的训练数据samples：一系列训练样本layout：ROW_SAMPLE表示训练样本是矩阵行，COL_SAMPLE表示矩阵列responses：与样本数据相关的响应向量flags：由每个方法定义的可选标志
其中最后一个方法创建并训练一个 _Tp 类型的模型，
predict() 方法只有一种调用方式：
float StatModel::predict(InputArray samples, OutputArray results=noArray(), int flag=0);
该预测函数具有以下参数：
samples：用于预测模型结果的输入样本，可以包含任意数量的数据
6.3 计算机视觉和机器学习工作流程
具备机器学习的计算机视觉应用具有的共同基本结构，这种结构分为不同的步骤：
- 预处理
- 几乎所有的计算机视觉应用程序都是以预处理开始
- 包括去除光和噪声、滤波、模糊等
- 分割
- 提取图像中的 ROI（感兴趣区域）
- 将每个区域隔离为感兴趣的唯一对象
- 特征提取
- 提取对象的特征，特征通常是特征向量
- 特征用于描述对象，可以是区域、轮廓、纹理、像素等
- 分类结果
- 将数据输入机器学习模型，预测分类或回归的结果
- 后处理
- 针对模型预测结果进行处理，获取所需的最终数据
OpenCV 机器学习官方文档
有关机器学习模块的详细问题，阅读 OpenCV ML 官方文档。
6.4 自动对象检查分类示例
执行步骤:
- 对于每个输入图像
- 预处理图像
- 分隔图像
- 对于图像中的每隔对象
- 特征提取
- 使用相应的标签将这些提取出的特征添加到训练特征向量中
- 创建 SVM 模型
- 使用训练特征向量训练 SVM 模型
- 预处理输入图像以便对每个被分割的对象进行分类
- 分割输入的图像
- 对于检测到的每个对象
- 提取特征
- 用 SVM 预测它
- 建模
- 在输出图像中绘制结果
6.4.1 特征提取
6.4.2 训练 SVM 模型
6.4.3 输入图像预测
6.5 总结
本章通过一个监督学习示例，使用 SVM 创建对象分类模型。我们必须能够准确选择能描述对象的特征，并且尽可能提供最佳的预测模型。