在 OpenCV C++ 中训练用于车牌识别的 SVM
Train SVM for car plate recognition in OpenCV C++
我正在尝试使用 OpenCV (C++) 创建车牌识别系统。我已经在 GitHub 上看过 this example，但我想使用 SVM，而不是 K-最近邻或人工神经网络。
我只为两个 类（正或负）训练了一个 SVM，那么我该如何训练以对车牌上的字符进行分类？
我有 22 个符号（Y 是最后一个符号）（即 22 类），我应该创建一堆二进制 SVM 吗？例如 SVM(0,1), SVM(0,2)....SVM(Y,0), SVM(Y,1)...
如果是这种情况，我如何将所有这些文件合并为一个，以便在识别中使用它？
multiclass 解决方案每个 class 有一个 SVM，而不是两个。所以你有 SVM(A) 到 SVM(Y)。 SVM(A) 试图将 A 与 B-Y 分开，SVM(Y) 试图将 Y 与 A-X 分开。
层次结构可能是更好的解决方案。如果 V 和 Y 相似，您可以先使用 SVM(VY)，然后使用 V-versus-Y SVM。
我没有看到合并文件的问题（或原因）。
我正在尝试使用 OpenCV (C++) 创建车牌识别系统。我已经在 GitHub 上看过 this example，但我想使用 SVM，而不是 K-最近邻或人工神经网络。
我只为两个 类（正或负）训练了一个 SVM，那么我该如何训练以对车牌上的字符进行分类？
我有 22 个符号（Y 是最后一个符号）（即 22 类），我应该创建一堆二进制 SVM 吗？例如 SVM(0,1), SVM(0,2)....SVM(Y,0), SVM(Y,1)...
如果是这种情况，我如何将所有这些文件合并为一个，以便在识别中使用它？
multiclass 解决方案每个 class 有一个 SVM，而不是两个。所以你有 SVM(A) 到 SVM(Y)。 SVM(A) 试图将 A 与 B-Y 分开，SVM(Y) 试图将 Y 与 A-X 分开。
层次结构可能是更好的解决方案。如果 V 和 Y 相似，您可以先使用 SVM(VY)，然后使用 V-versus-Y SVM。
我没有看到合并文件的问题（或原因）。