最近完成了一个使用SVM进行图像识别的项目，总结一下整个过程的一些思考和经验。
关于特征的提取，肯定是差别越大效果越好，一般基于边缘和颜色进行一些设计，排除掉背景无关的干扰，让提取到的特征差距明显，这样通过SVM训练出来的模型可以准确分割。
不同特征如何连接呢？直接把不同的特征接在一起，训练出一个SVM模型的效果肯定是不好的，无关的特征相互干扰，导致原本可以区分开不同物体的差距被抵消了。这也是为什么要避免背景干扰，能准确定位框出肯定效果更好。定位是另外一个大的模块了，需要根据已经有的信息进行组合，提高稳定性。比较有效的做法是，一种特征训练一个模型，不同模型得到的结果再进行加权得到最后的得分。
送入SVM训练的样本，只有在边界附近的才是影响模型的，所以不需要特别多的训练数据，需要不同类的有代表性的数据，能训练出合理分割的边界。训练出模型后采集测试图，获取分类错误的数据，再送入训练，调整模型。
提高识别速度的问题，提取的特征越简单，识别速度就越快。如何简化特征呢？比如边缘，一般梯度在128的灰度值内，可以将大于128的统一为128。小于128的按4倍、8倍量化缩小，减少特征长度，损失一些精度换取更小的模型和更快的识别速度。还有就是编译优化，有时候苦苦思索算法上如何优化，其实忘记了编译上的优化，直接加速好几倍，省去了牺牲算法精度的问题。
对于解决一个大的识别问题，可以思考如何拆分成更小识别问题，用一个模型来完成这种拆分，拆分后小的分类可以提取出更有区分度的特征，再用新的模型来区分小分类里的识别问题。比如大的识别问题可以用颜色来拆分成小的类别，只要颜色差异足够大，训练的模型基本上能够100%分类准确，再从按颜色分类后的小类别里设计有区分度的特征，再去训练新的模型。层层拆分，针对性地设计特征，比想用组合起来的复杂特征训练一个模型，直接一步解决问题要有效许多。
在识别之前，先解决定位问题，定位不准确，靠识别是很难纠回去的，只要定位准确就能识别，那就应该把重点放在如何优化定位的问题上。定位问题，梯度、灰度、区域，垂直平行，连通域，多种组合提高稳定性。