了解基于FastCV視覺(jué)庫的SVM機器學(xué)習算法
加入技術(shù)交流群
SVM是一種常用的機器學(xué)習算法，在人工智能、模式識別、圖像識別等領(lǐng)域有著(zhù)非常廣泛的應用，本節將結合FastCV庫提供的fcvSVMPredict2Classf32機器學(xué)習函數API，對SVM原理及用法進(jìn)行介紹，為后續大家在使用FastCV進(jìn)行圖像識別類(lèi)的應用開(kāi)發(fā)提供參考。
本文引用地址：http://dyxdggzs.com/article/201710/367555.htm一、FastCV簡(jiǎn)介
FastCV是Qualcomm公司開(kāi)發(fā)提供的專(zhuān)注于移動(dòng)平臺的計算機視覺(jué)庫（Computer vision library），該庫針對ARM平臺進(jìn)行設計，并且針對Qualcomm處理器進(jìn)行了優(yōu)化，相對于OpenCV和JavaCv其性能有了大幅度的提高，非常適合移動(dòng)設備各種圖像處理，如三維重建、目標跟蹤、人臉識別等。
FastCV提供的API結構如下圖1所示，根據其提供的功能分類(lèi)主要包括數學(xué)/適量運算、圖像處理、圖像變換、特征檢測、對象檢測、三維重建、色彩轉換、聚類(lèi)和搜索、運動(dòng)和對象跟蹤、形狀和繪圖、內存管理和SVM機器學(xué)習13個(gè)部分，通過(guò)fastcv提供的這些API接口你可以方便的完成各種圖像處理應用的設計。極大的簡(jiǎn)化的設計過(guò)程，提高程序的穩定性和可靠性。后續將針對fastcv提供的SVM機器學(xué)習進(jìn)行詳細介紹。
圖1 fastCV功能結構
二、SVM機器學(xué)習基本原理
支持向量機，因其英文名為support vector machine，故一般簡(jiǎn)稱(chēng)SVM，通俗來(lái)講，它是一種二類(lèi)分類(lèi)模型，其基本模型定義為特征空間上的間隔最大的線(xiàn)性分類(lèi)器，其學(xué)習策略便是間隔最大化，最終可轉化為一個(gè)凸二次規劃問(wèn)題的求解。具體的SVM的原理是非常深奧的，其涉及到的數學(xué)理論非常多，并且通常還需要涉及到多維空間，從存粹的數學(xué)理論很難理解SVM的基本原理，并且介紹SVM的數學(xué)原理的內容也非常多（如http://www.dataguru.cn/thread-371987-1-1.html就對SVM的原理進(jìn)行了詳細介紹），這里將通過(guò)一個(gè)經(jīng)典的SVM分類(lèi)例子來(lái)向大家介紹SVM的基本原理。
假設現在你是一個(gè)農場(chǎng)主，圈養了一批羊群，但為預防狼群襲擊羊群，你需要搭建一個(gè)籬笆來(lái)把羊群圍起來(lái)。但是籬笆應該建在哪里呢？你很可能需要依據牛群和狼群的位置建立一個(gè)“分類(lèi)器”，比較下圖這幾種不同的分類(lèi)器，我們可以看到SVM完成了一個(gè)很完美的解決方案，如下圖2所示，這就是景點(diǎn)的SVM分類(lèi)原理。
圖2 農場(chǎng)主搭建籬笆SVM經(jīng)典例子示意圖
三、fastCV中SVM接口參數解析
在fastCV中提供了SVM方法調用API接口，通過(guò)調用該接口可以方便的實(shí)現SVM學(xué)習功能，起API函數原型如下：
FASTCV_API fcvStatus fcvSVMPredict2Classf32（ fcvSVMKernelType kernelType，
uint32_tdegree，
float32_tgamma，
float32_tcoef0，
const float32_t *__restrictsv，
uint32_tsvLen，
uint32_tsvNum，
uint32_tsvStride，
const float32_t *__restrictsvCoef，
float32_trho，
const float32_t *__restrictvec，
uint32_tvecNum，
uint32_tvecStride，
float32_t *__restrictconfidence
）
該函數返回通過(guò)SVM學(xué)習策略計算得到的當前樣本的置信度，其計算公式如下（同時(shí)該值還可以通過(guò)libSVM和OpenCV提供的SVM訓練得到）：
confidence（i） = sum_j（ svCoef［j］ * Kernel（vec_i， sv_j） - rho;
為了學(xué)會(huì )調用該函數，就需要了解上述函數的各個(gè)參數的意義及具體的設置方法，以下是上述參數的意義和設置方法總結：
kernelType：核函數類(lèi)型這里可以選擇 ‘FASTCV_SVM_LINEAR’，‘FASTCV_SVM_POLY’，‘FASTCV_SVM_RBF’，‘FASTCV_SVM_SIGMOID’等；
degree： 設置核函數的深度，為整數，通常設置為3；
gamma：核函數中的gamma函數設置（針對多項式/rbf/sigmoid核函數）（默認1/ k）；
coef0：核函數中的coef0設置（針對多項式/sigmoid核函數）（（默認0）；
sv ：支持特征向量；
svLen： 特征長(cháng)度， （support vector length = feature length）。
svNum： 支持特征向量個(gè)數
svStride：支持向量跨度 ；
svCoef： sv系數，長(cháng)度設置為sv個(gè)數 ；
rho SVM 偏置參數；
vec 檢測向量；
vecNum 檢測向量個(gè)數；
vecStride 監測向量跨度；
以上就是fastCV中提供的SVM接口介紹，在后續章節將進(jìn)一步結合圖像處理，來(lái)帶大家用SVM來(lái)實(shí)現相關(guān)的分類(lèi)和圖片識別，大家如果想進(jìn)一步了解更多的關(guān)于fastcv庫的內容可以訪(fǎng)問(wèn)Qualcomm的https://developer.qualcomm.com/docs/fastcv/api/index.html網(wǎng)站查閱更多信息。
評論