了解基于FastCV視覺庫的SVM機(jī)器學(xué)習(xí)算法

SVM是一種常用的機(jī)器學(xué)習(xí)算法，在人工智能、模式識(shí)別、圖像識(shí)別等領(lǐng)域有著非常廣泛的應(yīng)用，本節(jié)將結(jié)合FastCV庫提供的fcvSVMPredict2Classf32機(jī)器學(xué)習(xí)函數(shù)API，對(duì)SVM原理及用法進(jìn)行介紹，為后續(xù)大家在使用FastCV進(jìn)行圖像識(shí)別類的應(yīng)用開發(fā)提供參考。

FastCV是Qualcomm公司開發(fā)提供的專注于移動(dòng)平臺(tái)的計(jì)算機(jī)視覺庫（Computer vision library），該庫針對(duì)ARM平臺(tái)進(jìn)行設(shè)計(jì)，并且針對(duì)Qualcomm處理器進(jìn)行了優(yōu)化，相對(duì)于OpenCV和JavaCv其性能有了大幅度的提高，非常適合移動(dòng)設(shè)備各種圖像處理，如三維重建、目標(biāo)跟蹤、人臉識(shí)別等。

FastCV提供的API結(jié)構(gòu)如下圖1所示，根據(jù)其提供的功能分類主要包括數(shù)學(xué)/適量運(yùn)算、圖像處理、圖像變換、特征檢測(cè)、對(duì)象檢測(cè)、三維重建、色彩轉(zhuǎn)換、聚類和搜索、運(yùn)動(dòng)和對(duì)象跟蹤、形狀和繪圖、內(nèi)存管理和SVM機(jī)器學(xué)習(xí)13個(gè)部分，通過fastcv提供的這些API接口你可以方便的完成各種圖像處理應(yīng)用的設(shè)計(jì)。極大的簡(jiǎn)化的設(shè)計(jì)過程，提高程序的穩(wěn)定性和可靠性。后續(xù)將針對(duì)fastcv提供的SVM機(jī)器學(xué)習(xí)進(jìn)行詳細(xì)介紹。

圖1 fastCV功能結(jié)構(gòu)

支持向量機(jī)，因其英文名為support vector machine，故一般簡(jiǎn)稱SVM，通俗來講，它是一種二類分類模型，其基本模型定義為特征空間上的間隔最大的線性分類器，其學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題的求解。具體的SVM的原理是非常深?yuàn)W的，其涉及到的數(shù)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(shù)學(xué)理論很難理解SVM的基本原理，并且介紹SVM的數(shù)學(xué)原理的內(nèi)容也非常多（如http://www.dataguru.cn/thread-371987-1-1.html就對(duì)SVM的原理進(jìn)行了詳細(xì)介紹），這里將通過一個(gè)經(jīng)典的SVM分類例子來向大家介紹SVM的基本原理。

假設(shè)現(xiàn)在你是一個(gè)農(nóng)場(chǎng)主，圈養(yǎng)了一批羊群，但為預(yù)防狼群襲擊羊群，你需要搭建一個(gè)籬笆來把羊群圍起來。但是籬笆應(yīng)該建在哪里呢？你很可能需要依據(jù)牛群和狼群的位置建立一個(gè)“分類器”，比較下圖這幾種不同的分類器，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分類原理。

圖2 農(nóng)場(chǎng)主搭建籬笆SVM經(jīng)典例子示意圖

在fastCV中提供了SVM方法調(diào)用API接口，通過調(diào)用該接口可以方便的實(shí)現(xiàn)SVM學(xué)習(xí)功能，起API函數(shù)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(shù)返回通過SVM學(xué)習(xí)策略計(jì)算得到的當(dāng)前樣本的置信度，其計(jì)算公式如下（同時(shí)該值還可以通過libSVM和OpenCV提供的SVM訓(xùn)練得到）：

confidence（i） = sum_j（ svCoef［j］ * Kernel（vec_i， sv_j） - rho;

為了學(xué)會(huì)調(diào)用該函數(shù)，就需要了解上述函數(shù)的各個(gè)參數(shù)的意義及具體的設(shè)置方法，以下是上述參數(shù)的意義和設(shè)置方法總結(jié)：

kernelType：核函數(shù)類型這里可以選擇 ‘FASTCV_SVM_LINEAR’，‘FASTCV_SVM_POLY’，‘FASTCV_SVM_RBF’，‘FASTCV_SVM_SIGMOID’等；

degree： 設(shè)置核函數(shù)的深度，為整數(shù)，通常設(shè)置為3；

gamma：核函數(shù)中的gamma函數(shù)設(shè)置（針對(duì)多項(xiàng)式/rbf/sigmoid核函數(shù)）（默認(rèn)1/ k）；

coef0：核函數(shù)中的coef0設(shè)置（針對(duì)多項(xiàng)式/sigmoid核函數(shù)）（（默認(rèn)0）；

sv ：支持特征向量；

svLen： 特征長(zhǎng)度， （support vector length = feature length）。

svNum： 支持特征向量個(gè)數(shù)

svStride：支持向量跨度 ；

svCoef： sv系數(shù)，長(zhǎng)度設(shè)置為sv個(gè)數(shù) ；

rho SVM 偏置參數(shù)；

vec 檢測(cè)向量；

vecNum 檢測(cè)向量個(gè)數(shù)；

vecStride 監(jiān)測(cè)向量跨度；

以上就是fastCV中提供的SVM接口介紹，在后續(xù)章節(jié)將進(jìn)一步結(jié)合圖像處理，來帶大家用SVM來實(shí)現(xiàn)相關(guān)的分類和圖片識(shí)別，大家如果想進(jìn)一步了解更多的關(guān)于fastcv庫的內(nèi)容可以訪問Qualcomm的https://developer.qualcomm.com/docs/fastcv/api/index.html網(wǎng)站查閱更多信息。