支持向量机SVM（Support Vector Machines）是Vapnike等人在20世纪90年代初建立的一种新型的学习机器，它是在以解决小样本机器学习问题为目标的统计学习理论（SLT）的基础上发展起来的。SVM建立在SLT的VC维理论和结构风险最小化原理的基础上，根据有限的样本信息在模型的复杂度和学习能力之间寻求最佳折中，获得最好的推广能力。与传统方法相比，SVM能够有效地避免过学习、欠学习、维数灾难以及陷入局部极小值等问题，所以它成为机器学习的一个新研究热点。支持向量机作为统计学习理论的杰出代表，在分类和模式识别等方面取得了很好的效果，将其应用到人脸识别系统中，可以提高其成功率和准确率。

1.图像预处理

首先将交通标志牌的训练样本和测试样本下载下来，进行解压，由于测试程序不支持ppm格式的图片，用iSee软件把图片统一改为jpg格式。

其次将训练样本统一压缩为程序支持的68×128的大小（可以用iSee），再进行批量改名，放入文件夹。

2.提取特征

HOG特征提取方法就是将一个image：

灰度化[将图像看作一个x，y，z（灰度）的三维图像]。

采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）。目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪声的干扰。

计算图像每个像素的梯度（包括大小和方向）。主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。

将图像划分成小cells（例如6×6像素/cell）。

统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的de-scriptor（描述符）。

将每几个cell组成一个block（块）（例如3×3个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。(www.daowen.com)

将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。

写好正样本的txt文件，并修改代码正负样本数、正负样本文件夹路径等。正负样本数设置为1∶5，开始训练，并测试，检测效果如图2-17所示。

通过测试，检测结果不理想。虽然可以检测到交通标志牌，但存在很多误报的情况。如图2-18所示。

图2-17 检测效果

图2-18 误报较多的检测效果

为了减少误报，采用增加hard样本，即误报样本加入负样本中，进行训练，更新SVM模型。随着hard的增加误报会减少，但在上面这种图很难完全除掉。而且随着hard数量的增加，还会使一些图中原本可以识别到的交通标志牌识别不到造成漏检。如图2-19所示。

通过使用SVM进行交通标志牌的检测，可以看出，检测效果与检测窗口的大小密切相关，同时SVM本身存在局限。

图2-19 增加hard样本后的检测效果