Как увеличить данные в Open CV LibSVM

Question

Я разрабатываю английский почерк OCR с OpenCV и Visual C++. Я использую подход на основе зоны для извлечения функций. Здесь я использую 64×64 изображений. Итак, у меня есть 64 функции для одного образца изображения. Мой SVM будет Multi-class SVM, потому что у меня есть 52 класса как для обычных, так и простых букв. Вот формат вектор-функции.

Class A image1 0:0.222000 1:0.0250222 ..... 63:0.000052 
Class A image2 (some float values) .... 
Class A image200 (some float values) 

также у меня есть 200 изображений для обоих 52 классов. При тестировании моя текущая точность равна 35% - 40% only.I прочитал как масштабирующие данные повышают точность прогноза. Но у меня есть несколько вещей, которые нужно прояснить.

1. Как я могу масштабировать эти значения признаков?

2. Есть ли функция, чтобы получить вероятность соответствия каждого вектора признаков тестов в OpenCV LibSVM (I поиск OpenCV 2.4.5 документации на, но я не мог найти это).

Может кто-нибудь объяснить это? , а также с некоторыми очень мало строк кода, если это возможно.

Answer 1

1. Ваши данные масштабируются несколько уже, но libsvm ребята рекомендовали бы (http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf) масштабирование линейно [0, 1] или [-1, 1]. Если у вас есть пиксельные данные [0,1], вероятно, имеет больше смысла.

2. Я тоже этого не вижу. Вы можете связать с C++ libsvm (http://www.csie.ntu.edu.tw/~cjlin/libsvm/), а затем у вас есть два варианта. A) Перечислите вероятности классов, и в этом случае вы получите их обратно или B) попросите расстояния от границы решения.

Answer 2

1. Посмотрите на A Practical Guide to Support Vector Classification. В основном, вы должны масштабировать каждое измерение вашего вектор-функции до [-1, 1] или [0, 1] (то же самое во всех измерениях). Например, для первого измерения, если вы знаете возможные максимальные и минимальные значения: v_max и v_min (например, если это значение серого пикселя, то они равны 0 и 255). Затем вы можете вычислить новое значение функции как new_val = (old_val-v_min)/(v_max-v_min);

2. Это документация для функции прогнозирования OpenCV SVM: predict.

   float CvSVM::predict(const CvMat* sample, bool returnDFVal=false) const

   Если вы передаете в returnDFVal, как верно, то вы получите расстояние до края, как возвращаемое значение. Это не вероятность, но вы можете использовать ее в качестве индикатора того, насколько хороша ваша классификация.

Надеюсь, это поможет.