在OpenCV中，有一個CvSVM類，它接受樣本矩陣來訓練SVM。矩陣是2D的，樣本在行中。將HOG提供給SVM：HOG有9個bin，但SVM需要一個1D矩陣
我創建了我自己的方法來生成視頻輸入的定向漸變直方圖（HOG）。爲此，我創建了一個9通道矩陣來存儲HOG，其中每個通道對應一個方向箱。所以最後我有一個類型爲CV_32FC(9)的40x30矩陣。
也爲HOG製作了一個可視化，並且它正在工作。
我沒有看到我應該如何將這個矩陣輸入到OpenCV SVM中，因爲如果我將它變平，我不會看到SVM是如何從一維輸入數據中學習9D超平面的。
SVM每個特徵向量總是需要一行數據。特徵向量的維度因此是行的長度。如果你正在處理二維數據，那麼每個特徵向量就有兩個項目。 2D數據的例子是本網頁：在OpenCV的等效演示
http://www.csie.ntu.edu.tw/~cjlin/libsvm/
代碼http://sites.google.com/site/btabibian/labbook/svmusingopencv
的一點是，即使你與9斌細胞思直方圖2D的，特徵向量實際上是這種扁平化版本。所以把它平鋪成一個長特徵矢量是正確的。我的結果是一個長度爲2304（16x16x9）的特徵矢量，我可以在一個小的測試集上獲得100％的預測精度（即它可能略低於100％，但工作異常良好）。
這個原理的工作原理是SVM正在處理每個特徵向量項的權重系統。所以它與問題的維度沒有任何關係，超平面始終與特徵向量處於同一維度。查看它的另一種方法是忘記超平面，並將其視爲特徵向量中每個項目的一組權重。在這種情況下，每個項目需要一個權重，然後將每個項目乘以其權重並輸出結果。