Opnecv-SVM分类器参数调试-CSDN博客

本文链接：https://blog.csdn.net/weixin_42882128/article/details/100008904

该博客详细记录了使用OpenCV的SVM进行分类器参数调优的过程，涉及RBF核函数的选择，特征如DenseNet、eGemaps、LBPTOP的组合与测试，以及不同类型的SVM（EPS_SVR、NU_SVR）。通过实验得出最优参数配置，展示了不同参数组合对PCC（分类总正确率）的影响，以0.65和0.55两个标签为例进行测试，最终找到最佳的特征组合和模型参数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考资料：
https://docs.opencv.org/master/d1/d2d/classcv_1_1ml_1_1SVM.html#ab4b93a4c42bbe213ffd9fb3832c6c44f
http://read.pudn.com/downloads535/doc/fileformat/2211295/libsvm.pdf

关于参数调试及优化：
1.关于调参的参数介绍

本次模型训练优化并没有测试所有SVM相关参数以及设置，所以结果可能有待提高，但是在改进范围内已经是最优结果。

核函数选择： RBF核函数；

特征选择： “DenseNet” or “eGemaps” or “LBPTOP”，本次并没有选择"HOG"特征，并且把剩下三种特征进行两两组合，以及三种特征融合；

标签选择： 数据集中有0.55和0.65，因为时间关系只选择了0.65进行测试；

评价指标： 分类总正确率简称PCC，是英文Percentage correct classification的缩写。它被定义为分类统计频率矩阵P的主对角线元素之和。
详细解释： https://blog.csdn.net/wyl1813240346/article/details/56843409

训练类型： 在opencv-svm中的类型一共五种：C_SVC、NU_SVC、ONE_CLASS、EPS_SVR、NU_SVR，这里选择EPS_SVR和NU_SVR两种分别调试：

//EPS_SVR类型的设置
void SVMEmotion::train(cv::Mat train_mat, cv::Mat label_mat, float C_value, float G_value, float epsilon) {
   
   
	cv::Ptr<cv::ml::SVM> svm = cv::ml::SVM::create();
	svm->setType(cv::ml::SVM::EPS_SVR); // EPSILON_SVR; // do regression task
	svm->setKernel(cv::ml::SVM::RBF); // or linear
	svm->setP(epsilon); // for EPS_SVR, which has epsilon in loss function (0.1)
	svm->setC(C_value); // penality value (32)
	svm->setGamma(G_value); // for kernel funs (1)
	svm->setTermCriteria(cv::TermCriteria(CV_TERMCRIT_ITER + CV_TERMCRIT_EPS, 1000, 1e-5)); // max_iter:100 stop when the loss is less than 1e-3