SVM

簡單來說，SVM就是用于區(qū)分不同的類型(車牌、非車牌)。SVM的訓練數據既有特征又有標簽，通過訓練，讓機器可以自己找到特征和標簽之間的聯(lián)系，在面對只有特征沒有標簽的數據時，可以判斷出標簽。屬于機器學習中的監(jiān)督學習。

核函數： 用于將不同類型進行 提維（需要一點空間想象力）

svm線性可分：

svm線性可分.png

svm線性不可分：

svm線性不可分.png

SVM訓練流程：

svm訓練流程.png

預處理 （原始數據->學習數據(無標簽）

預處理步驟主要處理的是原始數據到學習數據的轉換過程。（真正的車牌圖片和不是車牌的圖片）

打標簽 （學習數據(無標簽)->學習數據(帶標簽)）

將未貼標簽的數據轉化為貼過標簽的學習數據。

分組（學習數據(帶標簽)->分組數據）

將數據分為訓練集和測試集

訓練（訓練數據->模型）

加載待訓練的車牌數據和非車牌數據，合并數據，配置SVM模型的訓練參數進行訓練。

HOG特征（Histogram of Oriented Gradient）

局部歸一化的梯度方向直方圖，是一種對圖像局部重疊區(qū)域的密集型描述符, 它通過計算局部區(qū)域的梯度方向直方圖來構成特征。

參數1(檢測窗口)的寬- 參數2(塊大小)的寬 結果與參數3(塊滑動增量)的余數要為0 高也一樣

參數4是胞元大小,參數5是梯度方向

HOGDescriptor hog(Size(128, 64), Size(16, 16), Size(8, 8), Size(8, 8), 3);

窗口.jpg

塊和步.jpg

檢測窗口被分為：((128-16)/8+1)*((64-16)/8+1)=105個塊(Block);

一個Block有4個胞元(Cell);

一個Cell的Hog描述子向量的長度是9;

統(tǒng)計梯度直方圖特征,就是將梯度方向（0-360）劃分為x個區(qū)間，將圖像化為16x16的若干個窗口，每個窗口又劃分為x個block，每個block再化為4個cell（8x8）。對每一個cell,算出每一像素點的梯度方向，按梯度方向增加對應bin的值，最終綜合N個cell的梯度直方圖組成特征。

簡單來說，車牌的邊緣與內部文字組成的一組信息(在邊緣和角點的梯度值是很大的，邊緣和角點包含了很多物體的形狀信息)，HOG就是抽取這些信息組成一個直方圖。

HOG : 梯度方向弱化光照的影響，適合捕獲輪廓。

LBP : 中心像素的LBP值反映了該像素周圍區(qū)域的紋理信息。